GENSHI AI、100万件超の日本語医療QAデータセット「GENSHI-MedQA-1M」を公開。日本語テキストの医療QAとして世界最大規模
株式会社GENSHI AI
独自に収集した日本語の医療文書 約18万ページから構築。日本語テキストの医療QAとして世界最大クラスのデータセットを公開。
株式会社GENSHI AI（本社：東京都千代田区、代表取締役：長嶋 大地）は、日本語の医療QAデータセット「GENSHI-MedQA-1M」を、公開しました。
独自に収集した日本語の医療文書 約18万ページをもとに構築した、100万件（1,005,231件）の質問と回答からなるデータセットです。公開されている日本語のテキスト医療QAデータセットとしては最大規模です（当社調べ）。
[画像1:
https://prcdn.freetls.fastly.net/release_image/184049/13/184049-13-41e0632c5cfcded47218e8301cd07bb4-1920x1005.png?width=536&quality=85%2C75&format=jpeg&auto=webp&fit=bounds&bg-color=fff ]
日本語の医療AIに足りなかった学習データ
大規模言語モデル（LLM）を医療で使うには、日本の診療に即した知識を日本語で学ばせる必要があります。ところが、公開されている日本語の医療QAデータセットは、医師国家試験の過去問題をもとにした数千問規模のベンチマークや、英語のデータセットを機械翻訳したものが中心でした。翻訳データで最も大きいものでも、約52万件でした（当社調べ）。
英語のデータを訳しても、日本の保険適用や薬の承認状況、国内の診療慣行の知識が足りません。臨床で使う医療AIには、日本語の原文から作った学習データが欠かせません。
「GENSHI-MedQA-1M」の概要
GENSHI-MedQA-1Mは、独自に収集した日本語の医療文書をもとに、生成AIで合成した質問と回答のデータセットです。2010年より前の情報は内容が古いため対象から外し、各QAは情報源の記述に基づいて作成しています。
- 収録件数：1,005,231件（約1億2,741万字、約9,267万トークン）- 情報源：独自に収集した日本語の医療文書 179,479ページのうち、2010年以降の情報（148,620ページ）- 質問の種類：事実を問う質問（66.6%）、推論を問う質問（21.7%）、症例を示して判断を問う質問（11.7%）- 形式：質問と回答の記述式（1行1組）- 公開先：
https://huggingface.co/datasets/genshiai-daichi/GENSHI-MedQA-1M
[画像2:
https://prcdn.freetls.fastly.net/release_image/184049/13/184049-13-db5a1370aab736e6c9350fc4f16b96d7-1920x1080.png?width=536&quality=85%2C75&format=jpeg&auto=webp&fit=bounds&bg-color=fff ]
GENSHI-MedQA-1Mの概要
収録データの例
データセットのページに掲載しているサンプルから、 2組を抜粋します。
[表1:
https://prtimes.jp/data/corp/184049/table/13_1_649b51db790a20cf7c3173375af62aa9.jpg?v=202610160215 ]
上記の通り、臨床的事実や、その背景にある病態生理・治療選択の根拠までを、日本語の記述式で収録しています。
日本語テキストの医療QAとして最大規模
公開されている日本語のテキスト医療QAデータセットのなかで、GENSHI-MedQA-1Mは最大規模です（2026年10月12日時点、当社調べ）。
次に大きいデータセット（英語の医療QAの機械翻訳、約52万件）の約1.9倍にあたります。海外を含めても、100万件を超える医療QAデータセットの公開例は多くありません。
[画像3:
https://prcdn.freetls.fastly.net/release_image/184049/13/184049-13-e0d261e4ea7cd1601ef5b134008d10d2-1920x1080.png?width=536&quality=85%2C75&format=jpeg&auto=webp&fit=bounds&bg-color=fff ]
公開されている日本語の医療QAデータセットとの件数の比較（2026年10月12日時点、当社調べ。画像を含むマルチモーダルデータは対象外）
比較の対象は、Hugging Faceで公開されているデータセットと、論文やプレスリリースで発表されたデータセットです。比較の詳細はデータセットのページに掲載しています。
下記に、既存データセットとの比較を表にまとめました。
[表2:
https://prtimes.jp/data/corp/184049/table/13_2_a7b51d296a829ee8206571a2a90cb99a.jpg?v=202610160215 ]
利用条件と申請方法
GENSHI-MedQA-1Mは、非商用の研究目的に限り無償でご利用いただけます。Hugging Faceのデータセットページからお申し込みいただき、当社で内容を確認のうえ承認します。
- 対象：大学・研究機関、医療機関、企業の研究開発部門などでの非商用の研究- ライセンス：CC BY-NC-SA 4.0（営利目的の利用はできません。営利目的のモデル学習も含みます）- 申請方法：データセットのページで、氏名、所属、利用目的などをご入力ください- 申請ページ：
https://huggingface.co/datasets/genshiai-daichi/GENSHI-MedQA-1M
[画像4:
https://prcdn.freetls.fastly.net/release_image/184049/13/184049-13-603ab000f29a36e4a525caccfda7e961-1920x1080.png?width=536&quality=85%2C75&format=jpeg&auto=webp&fit=bounds&bg-color=fff ]
利用申請の流れ
本データセットは生成AIで合成したもので、人手による全件の検証は行っていません。
診断や治療の判断、患者さまへの助言には使用しないでください。商用でのご利用や共同研究については、当社までお問い合わせください。
代表取締役 長嶋 大地 コメント
日本語で医療AIをつくろうとすると、最初に突き当たるのが学習データの壁です。英語では大規模な医療データセットが次々に公開されていますが、日本語では国家試験の問題や、英語データの翻訳がほとんどでした。翻訳では、日本の保険診療や薬の承認状況といった、臨床で本当に知りたいところが抜け落ちてしまいます。
GENSHI AIは、自社の医療AIを開発するために、日本語の医療情報を集め、学習データを整えてきました。今回、そのうち100万件を超えるQAを、研究に使っていただける形で公開します。
日本の医療AI研究が一段前に進むきっかけになればうれしく思います。実際に使ってみたご感想や、データの誤りのご指摘も、ぜひお寄せください。
今後の展開
研究者の皆様からいただいたご意見をもとに、誤りの修正や収録内容の見直しを続け、データセットを改訂していきます。あわせて、本データセットを自社の医療AI（閉域LLM基盤「MedLocal」など）の開発にも活用していきます。
大学・研究機関や医療機関との共同研究も歓迎します。本データセットを使った研究のご相談は、下記のお問い合わせ先までお寄せください。
株式会社GENSHI AIについて
医師とエンジニアで、病院で使うAIをつくる医療AIスタートアップです。
医療機関向けの閉域LLM基盤「MedLocal」、医師向けエビデンス検索「CHUBEN」、医療用語に強い音声認識「GENSHI Voice」を開発しています。
- 会社名：株式会社GENSHI AI（GENSHI AI Inc.）- 代表者：代表取締役 長嶋 大地- 所在地：〒101-0024 東京都千代田区神田和泉町1番地6-16 ヤマトビル405- 設立：2025年11月- URL：
https://genshi.ai
※「国内最大規模」「最大規模」は、2026年10月12日時点で当社が調査した、公開されている日本語のテキスト医療QAデータセットの件数に基づきます（画像を含むマルチモーダルデータを除く）。
※トークン数は、Qwen3のトークナイザで計測した値です。
※記載の会社名・製品名は各社の商標または登録商標です。
本件に関するお問い合わせ先
- 株式会社GENSHI AI 広報担当- メールアドレス：contact@genshi.ai- お問い合わせフォーム：
https://genshi.ai/#contactプレスリリース提供：PR TIMES
記事提供：PRTimes
