Intelligent Healthcare: AI and Machine Learning in Diagnosis, Precision Medicine, and the Pursuit of Explainable, Trustworthy Clinical Systems

今日の病院は、驚くほど膨大な量の情報を生成しています。患者が来院するたびに、記録が作成され、スキャンが行われ、血液検査が実施されます。このデータには、体の内部の画像、薬のリスト、医師によるメモ、さらには心臓モニターからの数値のストリームまでもが含まれます。何十年もの間、こうした情報を整理し、病気の兆候や将来の健康問題を示唆するパターンを見つけ出すことは、人間の専門家のみが可能としてきました。しかし、データの量はあまりに大きくなり、もはや手作業によるレビューでは不十分になっています。ここで人工知能が登場します。これらは、厳格なルールのセットに従うのではなく、例から学習するように設計されたコンピュータシステムです。放射線科医が行うのと同様に、エックス線写真から腫瘍を認識したり、心臓発作の前兆となる患者の履歴の微妙な変化を見つけ出したりするように訓練することができます。その約束されているのは、これらのツールが医師の視界をよりクリアにし、より迅速に行動できるよう支援できるということです。しかし、疑問は残ります。間違いが命に関わる可能性がある実際の病院において、これらのシステムを信頼して使用できるのでしょうか。

研究者であるEkta R. Kaneriya、Maulik K. Shah、およびKrishna H. Sapariyaによる最近のレビューは、まさにこれらの技術が現在どのような状況にあるかを検証しています。著者たちは患者を用いた新しい実験を行ったのではなく、過去数年間の既存の研究や報告を収集し、分析しました。彼らの目的は、書類上では優れているように見える実験室での実験と、実際に現実世界の医療現場でテストされたシステムを区別することでした。彼らは、人工知能が使用されている5つの特定の領域、すなわち、医療画像、電子健康記録、創薬、精密医療、および遠隔患者モニタリングを調査しました。彼らが発見したのは、移行期にある分野です。この技術は紛れもなく強力であり、多くの場合において、従来のメソッドよりも診断を改善し、リスクを予測できることをすでに示しています。しかし、広範で信頼できる利用への道は、プライバシーに関する懸念、コンピュータがどのように結論に至ったのかを理解することの難しさ、そしてシステムが一部の人々にはうまく機能しても他の人々には失敗する可能性があるというリスクを含む、重大な障壁によって阻まれています。

エックス線やCTスキャンなどの医療画像の領域では、テクノロジーは最も目に見える進歩を遂げています。研究者たちは、人間の脳をモデルにした一種の人工知能であるディープラーニング・システムが、画像の中から疾患を見つけ出すことに非常に長けているようになったと指摘しています。例えば、これらのシステムは現在、マンモグラフィで乳がんを特定したり、高い精度で脳腫瘍を検出したりすることができます。パンデミックの間、これらのツールは、胸部スキャンにおける異なる種類の肺炎を区別するために迅速に展開されました。研究によれば、これらのシステムが慎重に選定された既存の画像を用いてテストされた場合、99パーセントを超える精度を達成できることが示されています。しかし、このレビューは決定的なギャップを強調しています。制御されたテストで完璧に機能するシステムが、必ずしも忙しい病院に即座に導入できるわけではありません。実際の臨床現場において、最も成功しているツールは、人間の医師をプロセスの中に留めておく（ヒューマン・イン・ザ・ループ）ものです。コンピュータが疑わしい箇所をフラグ立てすることはできますが、それが患者の記録の一部となる前に、放射線科医が画像をレビューし、結果を承認しなければなりません。コンピュータは、見たことのない機器の違いや患者集団によって欺かれる可能性があるため、この人間による監視は依然として不可欠です。

画像を超えて、人工知能は、電子健康記録として知られる、膨大でしばしば乱雑な患者の履歴にも応用されています。これらの記録には、検査結果、薬剤リスト、医師の手書きのメモなどが混在しています。研究者たちは、機械学習モデルがこれらのデータを精査して、心臓病や敗血症（感染症に対する生命を脅かす反応）のような深刻な状態を予測できることを発見しました。20の研究を対象とした一つの主要なレビューでは、これらのコンピュータモデルは、医師が現在使用している標準的なスコアリング法よりも、心臓病のリスクがある患者を特定することにおいて優れていることが示されました。同様に、病院の記録を常に監視するシステムは、スタッフに敗血症の初期兆候を警告し、状態が危機的になる前に捉えられる可能性があります。この技術は、薬に対する副作用を予測したり、転倒のリスクがある患者をフラグ立てしたりするためにも使用されています。しかし、著者らは、これらのモデルは研究論文の中では強力なパフォーマンスを示すことが多いものの、別の病院に移されると頻繁に苦戦することを指摘しています。ある都市のデータで訓練されたモデルは、医師の記述方法や使用される機器のタイプが大きく異なる可能性があるため、別の都市では失敗することがあります。この、元のテスト環境の外における信頼性の欠如が、信頼への大きな障壁となっています。

これらのテクノロジーの影響は、新しい薬の発見を加速させている研究所の領域にも及びます。新しい薬を見つける伝統的なプロセスには10年以上かかり、数十億ドルの費用を要し、その過程でほとんどの候補化合物が失敗に終わります。人工知能は、異なる分子が体とどのように相互作用するかを予測することで、このタイムラインを短縮する助けとなっています。研究者たちは、これらのツールが単に既存の化学物質のライブラリをスクリーニングするだけでなく、ゼロから全く新しい薬の候補を設計できることを観察しました。中には、動物でテストされる前に、薬がどのように副作用を引き起こすかをシミュレートできるシステムさえあります。それにもかかわらず、このレビューは、計算上の成功が生物学的な現実を保証するものではないと警告しています。コンピュータ画面上で完璧に見える分子であっても、生体にテストされた際に失敗することがよくあります。科学ジャーナルに発表される創薬研究のごく一部しか、実際に動物での検証段階に到達しないという事実は、デジタルシミュレーションと機能する薬との間の溝がいまだに広いことを思い出させます。

精密医療の分野では、すべての患者を同じように扱うのではなく、個々の特定の遺伝的および分子的な構成に合わせて治療をカスタマイズすることを目指しています。人工知能は、DNAシーケンシング、医療画像、および健康記録からのデータを組み合わせ、患者の完全な全体像を作成できるため、これを可能にするエンジンとなります。研究者たちは、顔写真から希少な遺伝疾患を特定したり、患者独自の分子プロファイルに基づいてがん患者を治療法にマッチングさせたりする事例を強調しました。しかし、公平性に関する深刻な懸念が生じます。これらのシステムを訓練するために使用されるデータは、歴史的に主にヨーロッパ系の祖先を持つ人々から提供されてきました。その結果、モデルは他の背景を持つ患者に対して精度の低い結果を生み出す可能性があり、健康格差を悪化させる恐意があります。著者らは、これは優れた数学によって解決されるべき技術的な問題ではなく、過小評価されている集団からより多様な情報を収集する必要があるというデータの問題であることを強調しています。

最後に、レビューは、ウェアラブルデバイスが病院の外で心拍数や酸素レベルなどの健康データを追跡する、遠隔患者モニタリングについて見ています。人工知能は、この継続的な情報のストリームを分析して、悪化の初期警告を検知します。例えば、心不全ケアにおいて、これらのシステムは入院を防ぐ可能性のある変化を医師に警告することができます。米国食品医薬品局（FDA）はすでに数十のこれらAI搭載モニタリングデバイスを承認しており、この分野が他の分野よりも規制が進んでいることを示唆しています。それにもかかわらず、研究者たちは、これらのシステムが「アラート疲れ」として知られる問題、つまり医師を多すぎる誤報で煩わせることを避けるように注意深く設計されなければならないと指摘しています。システムが頻繁に警報を鳴らすと、臨床医はそれを無視し始め、目的が果たせなくなってしまいます。

これらの成功にもかかわらず、研究者たちは、人工知能が標準的な医療の一部となる前に解決されなければならない、いくつかの深い課題を特定しています。最大の問題の一つはプライバシーです。これらのシステムは機密性の高い患者データへのアクセスを必要とし、たとえデータから名前が削除されていても、時には再特定される可能性があります。また、「ブラックボックス」問題もあります。最も強力なAIモデルの多くは非常に複雑であるため、その作成者でさえ、どのようにして特定の結論に至ったのかを完全に説明することができません。誤った決定が誤診や有害な治療につながりかねない医療において、医師は理解できないシステムを信頼することに躊躇します。この不透明さは、法的および倫理的なリスクを生みます。さらに、これらのシステムを実行するために必要な計算能力は膨大であり、それが中小規模の病院を、必要なテクノロジーを購入できずに取り残してしまう可能性があります。

これらの懸念に対処するために、レビューは「説明可能な人工知能（XAI）」という成長中の分野を指し示しています。このアプローチは、診断につながったエックス線の特定の箇所をハイライトしたり、警告をトリガーした検査値をリストアップしたりするなど、コンピュータの推論を可視化することを目指しています。研究者たちは、これらの説明が信頼を築く助けにはなるものの、完璧な解決策ではないことも発見しました。システムは明確な説明を提供できても、それが間違っている場合もありますし、あるいはその説明が技術的には正確であっても、多忙な医師にとって有用ではない場合もあります。前進への道筋は、より良い規制、より多様なデータ、そしてこれらのツールの設計方法の転換を組み合わせることにかかっています。医療用人工知能の未来は、医師を置き換えることではなく、コンピュータが膨大なデータ処理を担い、人間が判断、文脈、そして共感を提供するというパートナーシップを創出することにあります。

著者たちは、人工知能が実験室から実用へと移行しているものの、信頼できる採用には、単なる高い精度以上のものが求められると結論付けています。それは、さまざまな病院での堅牢なテスト、医師が理解できる透明性の高いモデル、そして患者のプライバシーに対する厳格な保護を必要とします。テクノロジーは、診断をより正確にし、治療をよりパーソナライズすることで、ヘルスケアを変革する可能性を秘めています。しかし、この可能性を実現するためには、これらのシステムが公正で、安全で、信頼できるものであることを保証するための周囲のインフラストラクチャが構築されていなければなりません。次の数年間が、人工知能の恩恵を、居住地や背景に関わらずすべての患者に届けるために、この分野がこれらの障壁を克服できるかどうかを決定することになるでしょう。