医療で使われるデータサイエンス

中核項目１　第１章

学習目標

医療AIのタスク構造と特徴を整理して理解する。

到達レベル

• 医療AIタスクを構造的に説明できる
• 単一モーダル／マルチモーダルの違いを説明できる

学習内容

​

• 医療AIで扱われるデータ種別
• 画像・音声・テキスト・時系列
• 分類・回帰・検出・生成タスク
• 医療AIモデルの代表例
• 単一モーダルAIとマルチモーダルAI

​

医療現場におけるAIの広がりとその現実的な役割

医療AIは医師を代替するものではなく、見落としやリスク予測を通じて、人間の専門家を支援する強力なパートナーです。

• 現代の医療現場では、AIがあらゆる領域に導入されつつあります。

​

• AIは膨大なデータから有用な情報を抽出し、意思決定を支援するツールとして位置付けられています。

​

• 目的は、医師の判断を補助し、診断の精度や業務効率を向上させることです。

医療分野に関わらず、AI（ここでは深層学習）のタスクは主に下記のように分類される

医療AIに共通する基本タスク

医療分野でこのデータサイエンスを活用することで、経験則から脱却し、データという客観的根拠に基づいた医療への移行を目指します

①分類(Classification)

②検出/領域抽出(Detection/Segmention)

医療分野に関わらず、AI（ここでは深層学習）のタスクは主に下記のように分類されます

③回帰

(Regression)

④生成

(Generation)

基本タスクの医療応用例①

「疾患の有無」や「腫瘍の良性・悪性」

など、入力をカテゴリーに割り当てる。

応用例：

• ほくろの画像から悪性黒色腫を識別
• 網膜写真から糖尿病性網膜症の重症度を判定

画像などから病変などの特定の対象を見つけ、その境界を識別する。

応用例：

• 肺CT画像から肺結節を自動で検出
• 病理組織画像における腫瘍領域を抽出

基本タスクの医療応用例②

電子カルテなどの過去データから将来のリスクやアウトカムを推定する。

応用例：

• 電子カルテ情報に基づき、患者の死亡率や再入院を予測
• 遺伝的データから、特定の遺伝子変異の病原性を予測

新しいデータやテキストを創り出す

応用例：

• MRI画像から高品質な合成CTを生成
• 医師と患者の対話録からカルテレビューを自動生成

画像AI：最も成熟した医療AI分野

CNNは画像から低次の「輪郭」から高次の「病変」までの特徴を自動で学習し、

人間の専門家による特徴設計なしに高精度な解析を可能にしました。

医療AIで最も成熟している分野が画像診断です。中核技術はCNN（畳み込みニューラルネットワーク）で、カーネルというフィルターを通じて画像から特徴を自動で抽出します。

CNNはどのように画像を見るのか

「輪郭」や「濃淡のパターン」といった基本的な特徴を捉える。

CNNの最大の特徴は、人間の視覚のように、単純な特徴から複雑な特徴へと

段階的に認識を深めていく「階層的な特徴学習」にあります。

基本的な特徴を組み合わせ、「肺炎による肺の陰影」や「虫歯の部位」といった、臨床的に意味のある高レベルな概念を認識する。

畳み込み層とプーリング層

フィルタ(カーネル)と呼ばれる小さな行列が、画像上をスライドしながら特定のパターンを検出します。これにより特徴マップが生成されます。

CNNの階層的学習は、主に「畳み込み層」と「プーリング層」という２種類の層を繰り返すことで実現されます。

特徴マップを圧縮し、最も重要な情報だけを残します。これにより、計算効率を高め、対象物の位置のわずかなズレに影響されにくくなります。

画像診断AI：主要な応用領域

医師の診断精度向上や読影時間短縮に貢献する「CAD（コンピュータ支援診断）」として、既に多くの領域で実用化が進んでいます。

内視鏡診断支援

早期胃がんや大腸ポリープのリアルタイム検出など

放射線診断支援

胸部X線での肺結節検出、脳MRIでの腫瘍グレード分類など

歯科画像診断支援

X線画像からのう蝕や歯周病による骨欠損の自動検出など

病理診断支援

デジタル化された組織画像からのがん組織判定など

画像AIの性能評価と臨床応用における留意点

AIと医師がお互いの弱点を補完し合う形で協働することが安全で効果的な診断につながります。医師はAIの結果を検証する最終判断者としての役割が不可欠です。

性能評価指標：

• AIの性能は客観的な統計指標で評価される
• 感度：疾患を見逃さない率
• 特異度：健常を誤検出しない率
• AUC(ROC曲線下面積)

成果と限界：

近年：近年の深層学習モデルは、熟練した専門医と同等の診断精度を達成しうることが示されている。

限界：AIは学習データにない未知のパターンに弱く、入力データの質が悪いと誤判断を下す可能性がある。

テキストAI（自然言語処理/NLP）

プログラミング言語と対比して、私たちが話す言語を自然言語と言います。自然言語処理は、電子カルテなどのテキストデータをコンピュータが処理し解析する技術です。

技術革新：大規模言語モデル（LLM）

BERTやGPTのようなTransformerベースのモデルは、単語間の文脈関係を深く学習し、従来の手法に比べて文脈理解能力が飛躍的に向上しました。

LLMの登場により、NLPはテキストの理解・分類から、質問応答や文章生成を行う対話AIへと新たな局面を迎えています。

NLPの医療分野における代表的応用例

NLPは医師の文書作成負担を軽減し、診療や研究に必要な医学知識への効率的なアクセスを実現することができます。

情報抽出

電子カルテの自由記載から疾患名、症状、検査値などを自動で構造化

臨床QAシステム

「〇〇病の第一選択治療は？」といった質問に、ガイドライン等の知識ベースから回答

文章要約・報告書作成

読影レポートや退院サマリーの下書きを自動生成し、医師の文書作成時間を削減

医学知識の整理・検索

大量の医学論文をAIが分類・タグ付けし、必要なエビデンスへの迅速なアクセスを支援

ChatGPT以降の変化と医療応用の課題

現時点では、専門家が生成AIの出力結果を必ず検証し、責任を持つことが大前提です。医療専門知識に特化し、正確性を高めた医療専用LLMの開発が期待されます。

ChatGPTは米国家医師試験(USMLE)に高得点で合格するなど高い能力を示し、医療現場での応用試行が加速。

• LLMは、事実無根の回答をもっともらしく生成する幻覚(ハルシネーション)という問題を持つ
• 医療領域のでのご情報は患者安全に直結する重大なリスクとなるため、利用には慎重さが求められる。

ChatGPTの衝撃

ハルシネーションのリスク

時系列AI

データサイエンスの活用は、異なる地域や施設においても極めて高い一貫性を持って機能し 現場の状況に応じて、医療チームの意思決定を現実的かつ強力にサポートできる機能を持たせることができます 。

心電図(ECG)、脳波(EEG)、バイタルサイン(血圧、脈拍など)、血液検査値の推移といった時間と共に変化する時系列データもAIの重要な解析対象です。

LSTMやTransformerといった、時間的パターンを捉えるモデルを使用。過去から現在までの長期的な依存関係を学習し、生体信号の将来の挙動を予測るのに適している。

時系列AIの主な応用例

時系列AIの特徴は患者状態のリアルタイム評価と異常の早期発見です。ヒトでは気づきにくい微細な変化から危険信号を察知し、医療安全の向上に貢献します。

心電図解析

重症患者モニタリング

ウェアラブルデバイス

バイタルサインを解析し、敗血症の発症を数時間前に予測

不整脈の自動検出、てんかん発作の予測

スマートウォッチなどのデータから不整脈や睡眠時無呼吸症候群などを検知

マルチモーダルAIへの進化

• 従来の医療AIは、一つのモデルが単一種類のデータ(画像やテキストだけなど)を扱うことがほとんど
• 実際の診療では、医師は患者の様々な情報を総合して判断している

マルチモーダルAIとは、復習種類のデータを統合的に解析できるAI

Med-PaLM Multimodal

Google Researchによる世界初の汎用医療AIシステム

テキスト（電子カルテ、論文）、画像（X線、CT、MRI）、ゲノム（遺伝子情報）という異なる形式のデータを、「一つのモデル（同じ重みセット）」で柔軟に統合・解釈できる革新的なモデル。

実現できること（マルチタスク性）

1. 質問応答: 複雑な医学的質問に対し、専門医レベルの回答を生成。
2. 画像解釈・レポート生成: 放射線画像の所見を読み取り、自動で報告書を作成。
3. 領域抽出（セグメンテーション）: 腫瘍や臓器の場所を正確に特定
4. ゲノミクス解析: 遺伝子変異の同定や疾患リスクの予測。

評価とインパクト

• 14のベンチマークで圧倒的な性能: 従来の「専門特化型AI」に匹敵、あるいは凌駕する精度を一つの汎用モデルで達成。
• ゼロショット推論能力: 学習していない新しい医療概念やタスクに対しても、既存の知識を応用して論理的な推論を行うことができる。

まとめ

・フレームワークの理解

医療AIはまず基本となるタスク（分類、検出、予測、生成など）と、それがデータ（画像、テキストなど）にどう応用されるかを理解することが重要

重要なのは、「どのような課題に対して、どのようなデータとモデル/タスクを用いるべきか」を正しく理解し、AIを知性を拡張するツールとして活用することです。

・AIは支援ツール

現在のAIは、専門医と同等の性能を示すことがあるが、未知の状況は弱い。安全で効果的な利用には、医師が最終判断者となりAIと協働する体制が不可欠。

・未来はマルチモーダルへ

今後の医療AIは、汎用AIのように単一データだけでなく画像・テキスト・バイタルデータなどを統合的に解析する「マルチモーダルAI」へと進化し、包括的な患者評価を可能とすることが期待される。