医療×AIセミナーシリーズ第3回「内科とAI」

東京大学政策ビジョン研究センター、慶應義塾大学メディカルAIセンター、エムスリー株式会社m3.com編集部は、2019年2月3日に医療×AIセミナーシリーズ第3回「内科とAI」を開催しました。講師に沖山翔氏（アイリス株式会社代表取締役、救急専門医）、巣籠悠輔氏（株式会社MICIN最高技術責任者、東京大学招聘講師）をお迎えし、内科や健診におけるAIの利活用・開発の現状と課題についてお伺いしました。

まず、アイリス株式会社代表取締役で救急専門の沖山翔氏が登壇し、「診察技術のGitHub化構想、医師のクオリアを共有共創する時代へ」と題して、医療AIの概要や、社会実装における課題について紹介した。

今の医療の文脈を壊さずにAIをどう取り込むか

GitHubとはソフトウェアのソースコードをネット上で管理するサービスの一つだ。ソースコードのバージョン管理や共有などの機能があり、ソフトウェア開発者たちにとっては、みんなでソースコードを発展させていく仕組みとしてなくてはならいものになっている。GitHubのような仕組みは、診察技術・診療技術にも役立てるのではないかと沖山氏は考えている。

沖山翔氏は医師になって9年目。専門は救急医療だ。2017年11月に、咽頭画像を用いてインフルエンザの診断支援医療機器の開発を行うアイリス（Aillis）株式会社を創業した。インフルエンザに罹患した患者に特異的に現れる特徴として、インフルエンザ濾胞がある。インフルエンザ濾胞とは、インフルエンザ患者の、のどにできる腫れ物だ。アイリスでは、喉の奥を撮影した画像を用いて診断することで、その場でインフルエンザが陰性か陽性か、判定するためのソフトウェアとハードウェアを開発している。社員数は約20人。沖山氏は週末は臨床の現場に立ち、平日はアイリスで仕事をしているという。

沖山氏は講演の最初に、Facebookのザッカーバーグによる「21世紀の終わりまでに全ての病気を治療し、予防し、あらゆる病気に対応できるようにしたい」という言葉を紹介した。ザッカーバーグは言葉だけではなく実際に行動もしており、3000億円を出資して医療分野の基礎研究などを行う拠点「Chan Zuckerberg Biohub」設立などを行なっている。またシンギュラリティの概念を提唱したことで著名になった科学者・発明家のレイ・カーツワイルは「2030年、あるいは遅くとも2030年代の終わりまでには、人類は全ての病気を乗り越えられるだろう」と言っている。沖山氏は、今はこれまではSFのように思われていたことがテクノロジーの力で現実化している、特殊な時代になっていると思っているという。

日本人の寿命は0.3年ずつ毎年伸びている。また世界人口は、今年生まれた赤ん坊が小学生になることには85億人に達する。人類の数が2倍になれば経済も社会構造も技術も変わる。「昔はこうだったから、今からもこうだ」という常識は、当てはまらなくなっている。その中で医師の仕事はどう変わるのか？「AIは単なるツールであり、今の医療の文脈を壊さずにどうやって取り込んでいくかが重要ではないか」と沖山氏は語った。

AIについては、ビッグデータ、コンピューティングパワーの進化、そしてキャッチーな事例の3つが今のブームの火つけ役となっている。ディープラーニングによる画像判定精度の大幅な向上はブームを牽引した。ディープラーニングのブレイクスルーは、言語化が難しい抽象的な概念のソフトウェアによる取り扱い・演算を可能にしたことだと沖山氏は捉えているという。たとえば富士山の写真にゴッホの画風を足すような作業も可能になった。レンブラントの絵画の特徴量の抽出による、レンブラントらしい絵画を生成させた「The Next Rembrand」プロジェクトは有名だ。また、動画生成も可能になっている。学習材料が十分にあれば、人が喋る様子も生成できる。

強化学習によるAIの進化

AIが得意なことは、認識、予測、最適化だ。ディープラーニングの父とも言われるヒントン教授は、医療AIについて「放射線科医の能力をAIが上回る日は近い」と述べており、メイヨークリニックの放射線科医であるブラッドリー・エリクソン氏は「CT、MRI、エコーの読影レポートの多くは近いうちにAIが作成できるようになる」と、2016年に述べている。

以前は、AIは症例数が多い病気だけにしか適用できないのではないかと考えられていたが、昨今は事情も変わりはじめた。AIには、ラベル付けされた大量の正解データから学ぶ「教師あり学習」と、トライアンドエラーで行動を最適化する「強化学習」に大別できる。沖山氏は、日立製作所による、ロボットがブランコをこげるようになるように強化学習させた実験例を示し、ロボットが、人が発見していない漕ぎ方を発見したところが面白いと述べた。

強化学習は時間がかかり、まどろこっしい。だが最近はそうでもなくなりつつある。沖山氏はOpenAIによるロボットハンドにキューブを操らせた実験例を紹介した。シミュレータを使って、様々な変数を少しずつ変えて大量の学習を行わせることで、実機のロボットハンドでも、ロバストな操り方が獲得できるようになったというものだ。

高精度でのインフルエンザ判定を可能にするインフルエンザ濾胞

沖山氏はこれらAIの概況を紹介したあと、「現行のインフルエンザの検査には限界がある」と指摘した。発症後、数時間経たないと、現在の検査キットの精度は出ない。そして症状が出たあとにも精度は6割程度しかない。つまりインフルエンザの早期診断は難しい。一方、タミフルの効果は発症から48時間以内だ。ここには大きな課題がある。

医師の宮本昭彦氏、渡辺重行氏らは、2013年に口腔内の咽頭後壁のインフルエンザ濾胞を見出だすことでインフルエンザを98％の精度で診断できるという論文を出している。このインフルエンザ濾胞にはベテランの医師しか区別することができない特徴があり、それを見ればわかるのだという。沖山氏はこの論文を見たときに衝撃を受けた。そこでベテランの知見をデバイスでなんとか再現できないかと考え、画像に臨床情報を組み合わせて推論させる形で現在、アイリスで開発を行っている。

ハードウェアとしては、専用に開発した医療用の内視鏡カメラを用いて患者の喉を撮影する。いまは複数の病院で画像データを収集中で、AIの学習を進めているという。臨床試験（治験）を経て、2020年を目標に医療機器承認を受け、上市する予定だ。

インフルエンザ診断支援デバイスはアイリスのファーストプロダクトだが、それだけではない。アイリスが見据えているのは、ベテラン医師が持つ暗黙知や身体知を共有するプラットフォームの構築だ。30年、40年の経験がないと獲得できない暗黙知を、技術の力で広く共有できるようにすることを目指している。

「サイクル」の技能を累積・発展して共有できる「ストック」へ

沖山氏は、世の中の知識体系には、累積して発展していく「ストック」と、次世代への引き継ぎが難しい「サイクル」の2種類があるのではないかと述べた。たとえば、現代の我々は数学の天才だったピタゴラスよりも多くの数学ストックを持っている。だが運動能力は必ずしも後世に引き継がれるわけではない。こういった２種類の知識や技術を医学にあてはめると、いまの研修医は昭和の名医よりも多くの医学情報は持っているが、匠の技は持っていない。インフルエンザ濾胞の診断能力は後者の「サイクル」に属している。このような事例をなんとかしたいと沖山氏らは考えている。

暗黙知に属する技術を、いかにストック化して共有していくか。ここにAIが活用できると考えていると述べて、人類が情報をストックできる文字によって言わば「人類2.0」になったとすれば、視診・聴診や触診のような診察技術や匠の技をニューラルネットワークによって「ストック」にして記録と更新ができるようにして、情報共有だけではなく「技の共有」ができるようにすることで「人類3.0」のような世界観が実現されつつある時代だと述べた。

このような流れは音楽、絵画、囲碁や小説などの世界では既に起き始めている。医療でも同じことはできるはずだ。沖山氏は「数十年かけて得たものは、そのあいだの努力に価値があるわけではないと思う。努力の結果としてたどり着けたものに価値がある。一足飛びにそこにいけるのであれば行くべきだし、それで救われる命があるのなら尚更だ」と述べ、ニューラルネットワークによる身体知や暗黙知、技の共有の重要性を強調した。

アイリスでは身体診察や匠の技を、ニューラルネットワーク技術を使って医療機器というかたちにして共有できるようにする。さらに将来的には「診察のなかに皆が納得する形でAI技術を取り入れていくことで、医学技術の格差をなくしたい」と締めくくった。

次に株式会社MICIN最高技術責任者として医療データ分析を行いながら、東京大学招聘講師としてディープラーニングの講義を担当し、多くの著作を持つ巣籠悠輔氏が登壇し、機械学習の概略とMICINでの取り組みを紹介した。

巣籠氏はまず「今のAIブームは『人工知能革命』と『情報革命』の二つに分けることができる」と述べた。AIブームは2段階に分かれており、世の中が期待しているのは「人工知能革命」だが、実際にAIブームを受けて進められている大半の取り組みは「情報革命」だという。すなわち、AIブームを受けてデータの整理・活用を推進しようという動きのことだ。機械学習を行うためにはデータは間違いなく必要となる。また、データを整理しようという動きが起こることで様々な業界に影響が及んでいると状況を分析した。

いまのAIブームは、機械学習・深層学習による第3次ブームだと言われている。深層学習も機械学習の一部なので、基本的には機械学習のブームだということになる。機械学習自体は1990年代にはほぼベースができ、その後、大きく発展した。ウェブの登場によって機械学習に用いるデータが入手しやすくなったことが、その後押しをした。

機械学習とは関数

では、機械学習の「学習」とは何だろうか。巣籠氏は「学習とはパターンにわけることだ」と一言でまとめた。世の中は突き詰めれば全てパターンで構成されており、人も無意識にパターンを見つけて認識をしている。よって、機械にどのようにパターン認識をさせるのかが重要だったというわけだ。そのためになぜデータが必要なのかというと、データにはパターンの情報が内在されており、それをもとにパターンを分類するからだ。パターン分類ができるようになれば、同じ基準を用いて未知のデータの予測もできるようになる。巣籠氏は「AIは人間の敵などではなく、人間がやっていることを機械上で再現しようとしているに過ぎない」と述べた。

しかし、機械にパターンを覚えさせるのは難しかった。たとえばイヌ、ネコ、オオカミを機械に見分けさせるために、その違いをリストアップして明文化しようとすると、かなりの難問である。これは機械学習における特徴量設計（feature engineering）の難しさとして知られている。これまでは、何がパターンの特徴なのかを見つけるのは基本的に人間の作業であり、データ分析がうまくいくかどうかは人間の作業にかかっていた。モデル化に人間が介在しなくてはならなかったのがこれまでの人工知能だった。いっぽう深層学習の登場によって、人間の介在が不要になってきた。これが今起きているAIブームの背景にある。

巣籠氏は、機械学習とは要するに関数だと述べた。入力xを与えられたときに出力yを出す関数があったときに、そのあいだの関係（モデル）を見つける、それが機械学習が行っていることである。入力と出力のあいだの関連性がすごく難しいと、単純な関数では表現できない場合もある。機械学習で表せる関係性には限界がある。だが深層学習はその関数の能力が高く、複雑な関数を作り出せる。機械学習以前はなるべく簡単な関係性に落とし込む必要があったが、深層学習は複雑な関数を作り出せる。それによって特徴量設計のプロセスが短縮された。一方、関数が複雑になることで、ブラックボックス化してしまった部分もある。これはある意味、当然だと巣籠氏は述べた。

深層学習で進歩したのは画像と時系列データの分析
深層学習によって大きく進歩したのが、画像データと、時系列データの分析だ。画像データの研究は画期的な成果が出た2012年ごろから、時系列データ分析の研究は2014年ごろから活発になってきた。巣籠氏は機械が画像認識を間違えた例を示し、機械が間違えるものは人間も間違えることが多いと紹介した。また、1枚の画像内に写った複数の物体の高精度認識も可能になりつつある。動画内の物体もほぼリアルタイムで検知できるようになった。2015年くらいからは画像生成も活発になりつつある。

時系列データとは、株価や為替、渋滞率、人口動態、健康状態、自然言語や音声など、時間的変化を持ったデータのことだ。自然言語処理は、品詞のタグ付けや単語分割、構文解析などを基礎技術として、機械翻訳などが応用として出てきている。グーグルは2017年に翻訳技術をディープラーニング・ベースの技術に置き換えて、精度を一気に向上させた。画像認識と自然言語処理を組み合わせたアプリケーションも出てきている。また画像への自動キャプション、文書から画像の生成の研究もある。

ディープラーニングと最も相性がよいのは画像認識であり、医療分野でも成果が出ているのは画像認識が中心だ。前述のように、ディープラーニングによって特徴量設計のプロセスが少なくてすむようになった。だがデータを集めるのは大変だ。

グーグルは2016年に眼底画像から糖尿病を予測できると発表しており、スタンフォード大学は2017年に皮膚の腫瘍画像から悪性腫瘍かどうかを判定できると発表した。画像のどこに乳がんが写っているのかを検出するという研究もグーグルが2017年に発表している。

巣籠氏は「逆にいうと、画像以外ではまだまだ成果が出ていないのが現状だ」と述べた。特徴量設計が難しく、データを集めるのも難しいからだ。医師の暗黙知をどう言語化・数値化するかが鍵であり、機械に解釈できるかたちに変換しないといけない。暗黙知、すなわち無意識の知恵をなんとか一回言葉にして、さらにそれを数値にしないと機械には読み込ませることができない。「この２ステップをとるのが必要だ」と述べた。まとめると、画像に関しては結果だけわかればいいが、それ以外の診断に関しては難しいというのが現状である。

MICINの取り組み

株式会社MICINは2015年11月に設立された（旧社名：情報医療）。健康診断の結果や手術動画などの医療情報を解析し、生活習慣と将来かかる病気との関係、熟練の医師の技術や見識など、暗黙知や因果関係をAIで明らかにし、より適切な治療法などをソリューションとして提供することを目指している。

現在、東京女子医大と共同で脳梗塞につながる因子を特定する研究や、国立がん研究センター東病院との大腸がん手術の動画解析に関する共同研究、産後うつの治療に向けた名古屋大との共同研究などを進めている。

また、患者と医師をオンラインでつなぐアプリケーションを提供するオンライン診療サービス「クロン」サービスも行っている。医師はパソコンを、患者はスマートフォンを使って、予約から診察、処方箋の受け取りまでをオンラインで完結できる。

2018年12月には、医療分野で第一号となる「サンドボックス制度（革新的技術・サービスを事業化するために地域限定・期間限定で現行法の規制を一時的に停止する制度）」の認定を取得し、インフルエンザのオンライン受診勧奨サービスを提供することも紹介された。将来は、オンライン診療の分析結果を生かして効果的な予測を行うことも目指している。

また診療だけではなく、病気になる前の対策として、MICINでは東京海上ホールディングスとNTTデータと共同で、従業員の健診データや勤怠データから、休職リスクを予測する技術を開発している。NTTデータの健康管理サービス「ヘルスデータバンク」等を通じて提供してきた産業保健における業務支援および健康診断結果や勤務時間などのデータ分析のノウハウをもとに、企業における従業員の休職リスクを予測する。これにより、企業は従業員の健康リスクを定量的に把握できるようになるという。

国立がん研究センターと進めている大腸がんの内視鏡手術動画の解析においては、将来は手術ロボット開発に活かすことを想定し、内視鏡を入れたときに、いまどのプロセスにいるのか、そのプロセスにおいて、どういう動き方をすれば良い手術結果をもたらせるのかを定量的に評価し機械学習させていこうとしている。現段階では、いまどのプロセスなのかを判断できるようになっている段階だが、今後、良い手術の明文化・定義も目指し、手術の現場に活用されることを目指す予定だという。

講師プロフィール

沖山翔（おきやま・しょう） アイリス株式会社代表取締役
2010年東京大学医学部卒業。日本赤十字社医療センター（救命救急）での勤務を経て、ドクターヘリ添乗医、災害派遣医療チームDMAT隊員として救急医療に従事。2015年 医療ベンチャー株式会社メドレー、執行役員として勤務。メドレーではAI技術を用いた「症状チェッカー」を開発。2017年 アイリス株式会社を創業、AI医療機器の研究開発を行う。産総研AI技術コンソーシアム委員・医用画像ワーキンググループ発起人、同AI研究センター研究員、救急科専門医。

巣籠悠輔（すごもり・ゆうすけ） 株式会社MICIN最高技術責任者、東京大学招聘講師
Gunosy、READYFORの創業メンバーとして、エンジニアリング、デザインを担当。大学院修了後は電通にてデジタルクリエイティブの企画・制作、ディレクションに従事。Googleニューヨーク支社勤務を経て2016年、株式会社情報医療（MICIN,Inc）を共同創業。2016年9月より東京大学招聘講師。東京大学工学部システム創成学科卒(首席)、東京大学大学院工学系研究科 技術経営戦略学専攻卒。著書に「詳解ディープラーニング」等。

« 医療×AIセミナーシリーズ一覧