1. 本研究の学術的背景、研究課題の核心をなす学術的「問い」は何ですか？
限られた病気や大規模な注釈付きデータにアクセスできる場面であっても、ゼロショット型の医療画像分類は重要なプロセスである。これは、検査画像と可能な疾患カテゴリーとの間の相関を計算し、診断結果を決定することを含む。本研究の学術的「問い」として、CLIPなどの事前学習済みビジョン言語モデル（VLM）の進歩により、ゼロショット型の自然画像認識の性能が向上しているが、説明可能なゼロショット型の医療画像認識フレームワークはまだ発展途上であることが挙げられる。

2. 本研究の目的及び学術的独自性と創造性は何ですか？
本研究の目的は、説明可能性を持つゼロショット型の医療画像分類フレームワークを提案することです。CLIPをベースとする医療画像分類のフレームワークに ChatGPT を導入し、人間の専門家によって実行される診断プロセスを真似て、診断結果の説明性を担保することを狙いとしています。大規模な言語モデルをカテゴリー名でクエリーし、単一のカテゴリー名以外の疾患症状や詳細な記述などの追加ヒントや知識を自動的に生成することで CLIP でより正確な説明可能な診断を提供します。聴力医学上の特徴を説明するための ChatGPT によって生成される記述テキストの品質を向上させるための特別なプロンプトが設計されています。

3. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは何ですか？
人工知能（AI）の発展により、医療分野でのAI技術の応用が進んでいます。医療画像分類の分野において、ゼロショット学習は重要なアプローチの1つであり、説明可能なゼロショット学習が今後の医療画像分類に欠かせない技術の1つとなることが期待されます。

4. 本研究で何をどのように、どこまで明らかにした？
本研究では、医療画像分類のための説明可能なゼロショット診断パイプラインを提案しています。ChatGPTによるテキスト生成モデルの拡張により、精度の高い診断を提供するだけでなく、医師が診断プロセスで考慮する可能性のある疾患症状などの付加的な情報を提供することができます。

5. 本研究の有効性はどのように検証した？
本研究では、大量の言語および視覚検索に関するタスクで4つのデータセットと1つのプライベートデータセットを用いた実験を行い、訓練フリーのゼロショット診断パイプラインの効果と説明可能性を実証し、コンピューターによる医療分野の将来への可能性を解明しました。