人間ってナンだ?超AI入門 第8回「診断する」 AIはどこまで「医は仁術」に… 岡田唯男、小川晋平、宮野悟、東條有伸、松尾豊…


出典:『人間ってナンだ?超AI入門 第8回「診断する」』の番組情報(EPGから引用)


人間ってナンだ?超AI入門 第8回「診断する」[字]


人工知能が社会を変える、その時人間は一体どうなる?最新技術の仕組みを松尾豊東大准教授×徳井が解剖。現代人必見の新感覚AI入門エンタメ。今回のテーマは、診断する。


詳細情報

番組内容

名医でも見落とす様な病気の兆候を発見、医療AIの進歩も目覚ましい。遺伝子レベルでなりやすい病気の傾向を調べられるなど、新しいフェーズに入ったゲノム解析治療の現場でもAIは活躍し始め、驚くべきスピードで診断を実現しようとしている。心音などをデータ化、情報として組み合わせ、病の初期発見に力を発揮する超聴診器も登場。だが医師の役割は医療技術だけではない、AIはどこまで「医は仁術」に迫ることができるのか?

出演者

【ゲスト】家庭医…岡田唯男,循環器内科医…小川晋平,【VTR出演】東京大学医科学研究所教授…宮野悟,東京大学医科学研究所附属病院…東條有伸,【解説】東京大学大学院特任准教授…松尾豊ほか




『人間ってナンだ?超AI入門 第8回「診断する」』のテキストマイニング結果(ワードクラウド&キーワード出現数BEST10)

人間ってナンだ?超AI入門 第8回「診断する」 AIはどこまで「医は仁術」に…
  1. データ
  2. 人間
  3. AI
  4. 病気
  5. 例えば
  6. お医者さん
  7. 遺伝子
  8. 学習
  9. 診断
  10. 何か


『人間ってナンだ?超AI入門 第8回「診断する」』の解析用ソース(見逃した方はネタバレ注意)


解析用ソースを読めば、番組内容の簡易チェックくらいはできるかもしれませんが…、やはり番組の面白さは映像や音声がなければ味わえません。ためしに、人気のVOD(ビデオオンデマンド)サービスで、見逃し番組を探してみてはいかがでしょうか?

☆無料で民放各局の動画視聴ができるTVer(ティーバー)!まずはココから!

他にも、無料お試し期間のあるVODサービスが増えてますので、各社のラインナップを調べてみるといいかもしれませんね。

↓NHK関連商品

今日は どうなさいましたか?
ちょっと もう…

何か最近 動悸がね するんで
ちょっと診てもらおうかと思って。

分かりました。 じゃあ ちょっと
胸の音 聞かせて下さい。

失礼します。

異常の発見は
私たち AIの得意分野です。

がんの兆候も見逃しません。

人間の皆さん どうですか?
大したものでしょう?

私 失敗しないので。

人々の暮らしを変えていく
人工知能。

あらゆるものが知能を持つ時
一体 何が起きるのか。

全12回で AIの仕組みが
感覚で分かる 超入門シリーズ。

AIについて知れば知るほど
人間の本質も見えてきます。

だから…。

第8回のテーマは…

私たち AIが
皆さんの命を守ります。

ただ
人間の外見を見るのではなく

体の内側まで
深く診ます。

お医者さんが診ているのは
何ですか?

今や 診断の主戦場は ミクロの世界。

AIにとって
人間の体とは 一体?

診断を通じて
「人間ってナンだ?」を考えます。

今回のテーマは これ
我々… 視聴者の方々も

進歩するに こした事は
ないですもんね。

やっぱり 病気っていうのは
本当に気になりますから

重要なテーマですよね。
そうですね。

という訳で
本日のゲストなんですけども

家庭医療が専門の
岡田唯男さんです。

よろしくお願いします。
よろしくお願いします。

家庭医療が
ご専門という事なんですけども

どういう分野なんですかね?

昔 あちこちにいた
村のお医者さん。

とにかく何でも
まずは 困ったら

駆けつけて
診てもらったっていう…。

じゃあ もう 近くにいてくれる
心強い先生という訳ですね。

さあ これ 岡田さん
人工知能 AI

どういうようなイメージを
持たれてますか?

私 SFの映画が好きで
たくさん そういう

医療に使われるシーンなんかも
出てきますし

そういう未来が来るのが
楽しみでもある一方で

やはり 医者の職業は

それで なくなるんじゃないか
みたいな事もいわれてるので

楽しみ半分 ちょっと怖い半分
という感じですね。

僕ら… まあ 病人側からすると

うれしいようなとこも
あるんですけども

先生からすると
いろいろ複雑ですよね。

商売敵になるかもしれないな
という事ですので…。

まあ でも その分 そういう技術を
またうまく お医者さんが使って

どんどん 医療が
進歩していくっていうのも

やっぱ ありますもんね。
そうですね。

医療の分野でも 急速に
活躍の場を広げつつある人工知能。

あの マーク・ザッカーバーグも

AIが医療に果たす役割は
ますます高まると言います。

人の遺伝子を解析する ゲノム診断。

今や AIが 実際に
大きな役割を果たし始めています。

23組の染色体があって
その染色体の片方だけですけど

そこに書かれている ATCG…
DNAの文字ですが

ペアになっていますので

30掛け2 60億文字の
ATCGの情報が

一つ一つの細胞にあります。

遺伝子は 人が どんな病気に
なりやすいかも分かる設計図。

更に 生活習慣などの影響も。

DNA情報は 60億文字以上。

そのうち どこが変わったか
調べてと言われたら

あなた どうします?

変化前の状態を覚えておく事すら
不可能です。

ですが AIにとって

違いの発見や検索は
最も得意な事なんです。

例えば Cという遺伝子が
あるはずの場所に

Tという形に変異した遺伝子を
発見するのも AIなら簡単です。

これまでは
遺伝子一つ一つを調べるため

全解析から診断までに
数か月 かかっていました。

しかし 今では なんと
5日でできる場合もあります。

スピードが大幅にアップした事で
がんなど 転移が早い病気でも

ゲノム診断の有効性は
一気に高まりました。

血液の領域では 昔から

遺伝子検査というのは
結構やられていて

ただ その限られた遺伝子を
解析するだけだと

得られる情報は 少ないですから…

…遺伝子なのかっていう事を

だんだん分かりつつあるという
状況だと思います。

こうした遺伝子の変化と
病気の原因や治療法を

結び付ける時にも
AIは有効です。

まさに 今みたいなのって

AIの得意分野なのかなっていう
感じはしますけど。

そうですね。 やっぱり

遺伝子の情報 ゲノムの情報と
病気の関係っていうのは

本来は分かるはずというか

いろいろ分析すると
分かるはずですから

そういうところに AIを
活用していこうというのは

今 世界中で
やろうとしてるところですよね。

これ このまま AIを
どんどん活用していくと

がんが完治できるっていう時代も
近いですか?

いや ところが
そういう訳でもなくて

結構 やっぱり
人間の体は 複雑ですし

この遺伝子の解析も
全ゲノムのデータが

すごく たくさんの人に
とれていて

しかも その人が
どういう病気だったのかという

教師データですね。

これが ちゃんと そろっていれば
できるかもしれないですけども

なかなか そこが難しいという事が
ありますね。

例えば じゃあ 地球上の人類
一斉に 全員に

病気の人も 健康の人も
全員のデータをバ~ッと とれたら

もっと こう
早く進んだりするもんですか?

そしたら もう
すごい事が起こると思いますね。

今回の がんの原因を発見する
がんの分析をするという場合に

じゃあ どういう事が
重要になってくるのかというと

例えば DNAのデータがありますと。

ATGCから成ってるデータな訳ですね。

ここの どっか1か所が

例えば CからTに
変異しましたっていった時に

ある病気が起きる。

これ スニップっていうふうに
いいますけれども

こういうデータがたくさんあると
この関係を学習できる訳ですよね。

ただ 遺伝子が変異した時に

病気になってるのかどうか
っていうのを確かめるのは

膨大にある 医学の論文を読んで

確かに こういう人が
こういう事を報告してるとか

こういう現象が知られてるとか

こういうのを
うまく結び付けてこないと

なかなか 確定的に
ここが原因だっていうのは

言う事は難しいという事で

例えば
ここの遺伝子に関連する論文を

探してくるという事を
やる訳ですね。

論文を探すのも
これ 結構難しくて

例えば
ここの遺伝子名っていうのが

論文に書かれている場合には

それをキーワード検索してくれば
いい訳ですけども

この遺伝子と関係してる
別の遺伝子が

影響してるのかもしれなくて
そうすると

この関係してる
別の遺伝子に関しての論文も

引いてこないといけない訳ですね。
そうすると 例えば

ある遺伝子が
こういうふうに
相互作用してますよとか

それが こういう病気の原因に
なってますよとか

それは こういうデータで
サポートされてますよとか

こういった 例えば がんに関する
いろんな知識を表した

セマンティックネットワークとか

そういうふうにも
いいますけれども

いろんな概念間の関係を
記述したような

知識表現っていうのを
これを作る必要があると。

…で ここが結構難しいですね。

がん治療に関わる論文は

積み重ねると
4, 000mを超えるほど大量です。

この中から 人間の医師が
正しい結果を探すのは

検索の力を借りないと不可能です。

そこで利用するのが…

意味のつながりを含めた知識を
構造化したものです。

例えば 人間とネコ。

見た目も名前も
違うものですが

哺乳類という意味では
同じです。

このように 単語の意味で
ひもづけていく

記憶の構造を利用して

がんに関する論文を
ネットワーク化しておきます。

これにより
年間十数万件 発表される

がんの論文の中に

遺伝子変異の特徴や
どの薬が有効であるか

ひもづけられると
期待されています。

とはいえ AIは 一つの単語から
ほかのものを連想するのは苦手。

逆に 人間は
一見 無関係なものでも

その背景を連想し つなげて考える
センスがあります。

AIは 人間のセンスには勝てません。

代わりに 計算の処理能力で
補っているという訳です。

僕の理解では 病気っていうのは

メジャーな病気から
だんだん制覇されていって

残ってくるのは まれな病気。

だから 最後は 僕は
難病しか残らない…

一番最後は
僕個人に特有の病気しか

残らないっていうふうに
多分 なってくるはずなんですね。

要は データがあまりない病気。
ええ。

難しい病気は
結局 数が少ないというふうに

なってくるはずなんです。
ただ それでも やっぱり

こういうデータをたくさん集めて

うまく AIを
活用していく事によって

そういう方にも 何らかの
医学的な支援っていうのが

できるのかもしれないなと
思いますね。

そういうような事も
踏まえた上で

今後
お医者さんの役割っていうのは

どういうふうになっていくと
思われますか?

以前の この番組の放送で
AIが頭脳で 身体の方…

ロボットの 体の部分っていう話が
出てましたけれども

まだ やっぱり ロボットのところが
非常に先が長そうな感じがして。

いわゆる ヒューマンタッチというんですか
手当ての部分ですよね。

「大丈夫だよ」みたいなところ
だったりとかっていう

そこの部分が やっぱり
ロボットの温度のない手で

こう こられて
大丈夫だよと言われたところで

どうなのかっていうところが
一つ やはり…

まだまだ担えるんじゃないかな
っていうところと

あとは 人間の弱点として
AIは捉えてるんですけども

僕は
強みになりうると思ってるのは

やはり ある程度 理不尽な判断を
するのが人間なので

やはり AIが この治療方法は
というか この病気は

もう 1%しか この治療 成功する
確率がないぞと言われた時に

AIだと
合理的な判断だとすると

その治療しませんという提案しか
多分 出てこないんですけど

人間って やっぱり そこに
賭けるといいますか

チャンスが低くても
賭けるっていうね

そういう事が
よくも悪くも できるのが

人間の
よい意味での非合理さなので

何かを信じるとか
何かに賭けるっていうところが

機械には まだまだできないんじゃ
ないかなと思ってますので。

確かに そういう気はしますよね。

希望を与えるっていうところ
ですかね。

その希望によって
何かね 不思議な力で

何か こう… 「えっ?」っていう

思いもしなかったような回復を
見せるみたいな…。

信じられない事
やっぱ いっぱいあります。

病状的に これは もう やっぱり
厳しいだろうなっていう方が

やはり 我々も信じられないような
奇跡の回復を遂げられて

元気になられるケースは やっぱり
実際に たくさん見ているので

やっぱり
データだけに基づいて

この人は もう
望みがないよって

言っちゃ駄目だな
っていう事を 何度も

思い知らされる場面が
ありますので

一緒に その希望を
捨てないでいこうよという事も

大事なのかなっていうふうに。
そうですね。

AIを こういう医療に
活用する際に

医療画像っていうのは
かなり レベル上がってますと。

それから いろんなデータを
引っ張ってくるっていうのも

先ほどの例のように だいぶ
できるようになってきました。

あと 問診のところを

自動化できないかっていう試みも
出てきてるんですけども…。

入り口のとこですね。
そうですね。

これ なぜかっていうと
入り口 問診のところで

やっぱり 時間使っちゃうので
それを 例えば

待ってる間に
ある程度 聞いといてもらって

そうすると お医者さんの時間を
より有効に使えるんじゃないか…。

そういった辺りは
岡田先生 どう思われます?

実は 私のクリニックでも

ちょっと そういう研究を
ちょこっと やっております。

前もって 患者さんに タブレットで少し
問診情報を入れておいて頂いて

今のところは まだ それが
そのまま 生データで

医者のとこに出てくるように
してあるんですけども

そのデータがたまってきたところで
ある程度 それに基づいて

病名のサジェスチョン
可能性のある病気を

提案するっていうようなシステムを
今 作るために

要は 上がってきたテキストデータに
我々が診断名をつける事で

データの蓄積を
今 するっていう事を

ちょっと できないかっていう事も
やっていますので。

そういう事 やってくとね
単純に 大きな病院とかで

山ほど待たされるみたいな
そんな事も ちょっと

少なくなってくるかも
分かんないですよね。

あと やっぱり 例えば
夜中に具合悪くなったとか

どうしても しょうがないから
ネットで検索して

自分なりに
こうなんじゃないかって

素人の考えで いろいろ
薬のんじゃったりとか

いろんな事があるので
それも やっぱり

そういう お医者さんが
ちゃんと作って頂いた

問診のシステムがあると
少し安心かもしれないですよね。

家なんかでも
軽~い診断ぐらいやったら

できるかも分かんないですね。

松尾さん これ
AIっていうのは

どういうふうにして
人間を診察するんですか?

そうですね 基本的には
データを使って診察する訳なんで

データを どういうふうにとるのか

そのデータを いかに学習させて
診察するのかっていう事に

なる訳ですけれども まずは
実際に体験して頂きましょう。

それでは
新しい診療機器を開発している

現役医師の小川晋平さんに
来て頂きました。

よろしくお願いします。
よろしくお願いします。

今 これ 手にされてる
電気シェーバーのようなものが

AIの診療機器なんですか?
はい そうです。

これが 新しい聴診器 超聴診器と
名付けてるんですけれども。

ほう~。 はいはいはいはい。

これは 今までのやつとは
何が違うんですか?

実は 聴診器というのは
200年前 正確には201年前に

フランスで発明されてから ほとんど
進化していないのが 現状でして。

いわゆる こうの こうですよね。
もう これしかないですよね。

電子化されてるものとかも 今
出てきてはいるんですけれども

ほとんど進化していないのが
現状でして

それを 今こそ進化させようと

実際の医療現場で思ったのが
きっかけです。

じゃあ 早速
診察して頂きましょうかね。

これ 従来どおり
胸をはだける感じですか?

そうですね。 それでは 早速…。
お願いします。

いやいや シェーバーじゃないですよね。

シェーバーじゃないですよね。

シェーバーみたいって
言いましたけども。
聴診器です。

(笑い声)

それなら そうと
心構えしとかないと。

胸にあてて…

今 呼吸を
静かにしておいて下さい。

はい。 これで検査終了です。

ほうほうほうほう。

まあ 別段 何も 聞く事もなく
あてがうだけで。

もちろん 聞く事も
実は できるんですけども

あてるだけで
この中で処理するっていうのが。

へえ~。 これで
どういう事が分かるんですか?

これ 先ほど 聴診器って
お話ししたんですけれども

聴診器の周りに
電極が3つついていまして

あそこに表示されているように

左上が心電で その下の所に
徳井さんの心音。

その一番左下の所 左下が
心電の 心筋活動電位というのが

あのR波の… 上にとがってる所が
あるんですけども

そこから 0.5秒ずつをとってくる
というプログラムに

今 してありまして
それを10拍とって

それを重ね合わせて
ノイズを除去したものが

右上に表示されています。

これ
心電図計みたいなものですか?

いえ どちらかというと
専門用語でいくと

心音図計の
簡易版なんですけども。

心電もとってますし
心音もとってますし

それを重ね合わせて
ノイズを除去するところが

一番のポイントになるんですけども。
これは やっぱり

普通に心音を聞くものよりも

情報量としては
かなり多いものなんですか?

そうですね 情報量というか
人間は

やはり
先ほどのように診察をすると

心臓の音を聞いてる時にも…

しゃべらないようにというコメントが
あったと思うんですけども

呼吸音であったり
会話の音だったり

空調の音 あと
あたる摩擦音とか接触音

いろんな音が
入るんですよ。

それを耳で聞いたものを
頭で処理をして

それを除外して
心臓の音だけを抽出するという

作業をしているんですけれども

機械は 全部のデータをとって
全部を並べてしまうので

あまり きれいなデータが
とれないっていうのが

心音を解析する時の
課題だったので

それを この心電と同期させる事で
スタート地点を決めて

あと ノイズを除去するっていうのが
今 作ってるものです。

あくまで いわゆる 教師データ…

きれいな教師データの
材料になるものを作っていて

これから 医師の診断と合わせて
AIに

機械学習をさせていこうかな
というふうに考えています。

先生の場合 この心音で
診断したいものっていうのは

どういうものなんですか?
(小川)将来的には もちろん

心臓疾患から呼吸器疾患
全部なんですけれども

まず最初にターゲットにしているのが
大動脈弁狭窄症っていう病気で

心臓の出口にある一方通行の弁が
狭くなる病気なんですけれども

すごく予後が悪くて
平均生存期間が

症状が出てから3年って
いわれてるんですよ。

しかも国内に100万人いるという…
推定患者数が100万人いて。

あと もう一個のポイントとして

新しい治療の選択肢が
出来たんですよ。

一昔前は 胸なので イメージどおり

胸を開けて
心臓を止めてっていう大手術で

集中治療室に1週間みたいな
治療しかなかったんですけど

開胸手術しか
なかったんですけども

カテーテルでの治療が
可能になりまして

今こそ 早期発見で

その治療に結び付ける必要がある
というふうに考えました。

そういう意味では 最初のターゲットを
大動脈弁狭窄症に絞って

それを とれるために
一番きれいなデータを作って

臨床研究をして ディープラーニングに
かけるっていうふうに

考えています。
じゃあ 心音が こういう時に

そういう病気が
ある なしっていうデータが

きれいなデータが
たくさん たまってくると

心音から それが上手に
スクリーニングの目的として

予測できるように
なるという事ですね。

超聴診器で リアルタイムに測定できる
3つの波形。

心音のデータに加えて
心電図などと組み合わせて

今まで見逃しがちだった病気の
早期発見への道が

開かれようとしています。

AIが診断する上で必要な
心臓の基礎データを

簡単に大量に
集められるようになりました。

ここまで手軽に こういうデータが
とれるっていうのは

先生にとっても やっぱり
すごいなって感じですか?

もう 分かりやすい…。
今だと こういう検査は

特殊な病院にお願いしないと
できないので

それが
パッと分かるっていうのは

非常に
情報としては有用だと思います。

すごく短時間でしたしね。

よく こういう新しいデバイス
作った時に起こるのが

人間は ある情報を得てるように
思うんだけども

実は それ以外の情報も得ている
という事もあると思うんですよね。

お医者さんが 従来のやり方で
心音聞いてる時に

心音だけじゃない いろんなものを
実は観察してるっていうような

要素は あるんですかね?
どうなんでしょう?

もちろん 顔を見たりとか

そのほかの いろんな情報は
とるんですけども

例えば 心音をとる時は
心臓の音に関しては

ドックンドックンの1音と2音が
どこかっていうのを考えながら

その間に
雑音がないかとかっていう

心臓の音だけを
抽出するっていうのを

診療の上では 考えています。

今のところ これでとれるデータと

実際に専門の先生が
使う事によって より人間的な

人間でしか分からないようなデータも
とりながらっていう事にすると

すごくいいんでしょうね。
ちょっと このデータを

どういうふうに使える可能性が
あるのかっていうのを

少し解説したいと思います。

人工知能の技術を
いろいろ使っていく時に

特に 機械学習 あるいはディープラーニング
と呼ばれるような技術を

使っていく時に
すごく重要になるのが

教師データという事で

学習させるための
基になるデータっていうのが

必要な訳ですね。

例えば 何かですね…
血圧とありますと。

まあ 血圧が
110だったり150だったり…。

血圧と関係してるものって
何か どういうのがありますかね?

心拍数とかですかね。

年齢。

あと何か 病気の…。

たばこ吸ってるとか
吸ってないとか

太ってるとか 太ってないとか
あと家族歴ですよね。

当然 緊張してる してない
っていう… はい。

まあ こういうのが
いろいろありましたと。

例えば 年齢が50歳で太ってますと
たばこも吸ってますと とか

年齢が35歳で
たばこは吸わない 太ってもない。

まあ でも こういうのが
いろいろあったとしましょう

という時に こっち側のデータから
こっち側のデータを

予測できるようになるというのが
教師あり学習で

データがたくさんあると

左から右への関係を学習できる
という事なんですけれども

一つ 重要な概念がありまして
過学習といいます。

過学習? 過ぎる学習?
過ぎる学習ですね。

縦軸を血圧として
横軸を仮に年齢としましょう。

ある人は
35歳で このぐらいだったと。

ある人は
50歳で このぐらいだと。

ある人は
70歳で このぐらいだと。

まあ こういう点が
たくさんあったとしましょう。

これを 近似するような線を
引きましょうというのを考えます。

そうすると 普通は 何となく
こういうふうに線を引いて

年齢とともに
血圧って上がりますよね

というふうにやる訳ですね。

こういう直線というのは
ちょっと難しくなりますけども

yはax+bみたいな
こういう式で表せて

この点々に合うように
aとかbを決めるんですね。

ところが 仮に…

年齢と血圧だと そうじゃ
ないかもしれないんだけども

こんな傾向があったとしましょう。

この場合って
何だか分かんないけども

一旦上がって下りていくような
こんな感じになってますよと。

こういうふうに
近似したいのだとすると

今度 直線の式じゃなくて

こういう二次式にしないと
いけないと。

これ おんなじように どんどん
増やしていく事ができて

三次式にもできるんですよね。

四次式にもできると。

いくらでも できるんですね。
いくらでも できるんだけども

これは
何をやってるかっていうと

例えば
三次式にするっていう事は

こういうふうに近似してる事と
同じで

これ どんどん増やしていくと

どんどん 当てはまりが
よくなっていくんですね。

最終的には
この上を上手に通るような

こういう線が
学習されちゃうんです。

これが いい事なのか悪い事なのか
っていうのがあって…。

一見すると いい事にしか
ならないような気しますけど。

まあ こういうふうな線が
学習されると

実際に与えられたデータの上では

当てはまりが すごく
よくなってるんですけれども

ところが 新しいデータが来た時に

すごく予測精度が落ちる場合が
あるんですね。

つまり 本当は こういうふうに
たくさん点があって

まあ 二次式ぐらいの方が
正しいんですけども

ところが たまたま
このデータがあったせいで

こっちに
何か ゆがんじゃってると。

こういうふうに
学習されちゃってると。

これは 単なる例外なんですよね。

本当は こういうふうな線を
引いた方がよかったんだけども

こういうふうになってると。

これを オーバーフィット
過学習っていうんですね。

学習し過ぎ。

学習し過ぎると
どうなるかっていうと

学習したデータに対しては

当てはまりが
すごくよくなるんだけども

新しいデータに対して 当てはまりが
非常に悪くなるという事が起こる。

過学習を
いかに防ぐかっていうのが

実は 教師あり学習で
すごく重要な事で

やり方としては いろんな やり方
あるんですけども

一番有効なのは
データを増やすという事で

データを増やせば増やすほど

たまたま 例外で出てても
影響少なくなってきますから

いい訳ですね。
どんどん上がっていくと…。

適切に予測ができるようになる。

要するに 診断結果が
正しいものが出るというですね。

ディープラーニングをさせる時

教科書となるデータが少ないと
応用が利かなくなります。

その状態を過学習といいます。

人間なら
感覚的に例外と分かるデータも

AIは
同じように扱ってしまいます。

また データの質の高さも
AIには重要です。

仮に例外ばかりのデータでも

計算力の高さで 無理やり
法則性を見いだしてしまうのです。

データの量と質は
AIにとって とても重要です。

統計学では
過剰適合という言葉があります。

少ないデータで
結論を急ぎ過ぎてはいけませんね。

医療データを治療に活かそうとする
ベンチャー企業です。

医療現場には

既に 大量の画像データと診断結果が
そろっています。

これで学習するのが
実用化への近道です。

人間の内臓なのに
人間には 色も形も

違いがないように
見えるみたいですね。

日本でも がんと画像解析の研究が
始まっています。

大腸がんの場合

ポリープを見つける事が
早期発見の鍵です。

医師が肉眼で発見できる確率は
80%ほどという調査があります。

経験の差は もちろん
その日の体調などでも

2割を見落としてしまうという
難しさです。

そこで AIでの画像解析を
応用しました。

内視鏡で捉えた画像を
リアルタイムで解析し

ポリープの特徴を判定します。

その発見率は なんと98%以上。

もしかしたら 人間について

私の方が
詳しくなったかもしれませんね。

う~ん AIの診断やと 98%
がんを発見できるという事…。

どうですか?
そうですね。

今 カメラの顔認識も
すごく進んでいるので

それの延長というふうに
理解はしているんですけれども

ただ やはり 98%という事で
100%ではないっていうところが

まあ 何か 人間と
補いあってっていうところが

あるのかなっていうふうに
思ってます。

このがんは違うみたいな
そういうところも

AIって
分かったりするんですかね?

人間のお医者さんも
やっぱり 間違う事はあるので

98%が
100%じゃないからといって

使えないっていう訳でもないと
思うんですね。

あと 人間のお医者さんも

すごいお医者さんは
すごいと思いますけど

やっぱり 何か 疲れてたら
ちょっと精度が落ちたり

人によって
バラつきもありますし

体調によって 多分 バラつきも
あるしっていうのを考えると

まあ
こういう仕組みっていうのは

ある一定の精度を ずっと
出し続けるという意味では

非常にいいんじゃないかと。

それから もう一つ 面白いのが…
例えばですね

これ
ある こういうのをやってる人に

聞いた話なんですけども
人間のお医者さんが…

例えば 人間のお医者さんも
98%だとしましょうと。 精度が。

その人がダブルチェックした時に

人間のお医者さんが
2人で ダブルチェックした時って

98と98を両方ダブルチェックすると
両方が見逃す確率って

ほぼ ゼロにならないと
いけないはずなんだけども

それが
あんまり減らないんですね。

つまり 人が見逃しやすいもの
っていうのは似てるので

結局 ダブルチェックしても
そんなに効かないという事が

あるんですけども
ディープラーニングの仕組みを使うと

人間と
間違い方が だいぶ違うので

ダブルチェックした場合に

両方見逃す確率が非常に減る
という事も分かってまして

使い方によっては
すごく便利なんじゃないかな

っていうふうに思いますね。

間違うパターンが 傾向が違うって
いわれているので…。

じゃあ かなり有用ですよね。

これがX線 CT MRIとか
こういう系統もありますし

それから皮膚病とか
それから細胞診とかですね

それから あと 目の病気
眼底の病気

それも 基本的に画像で分かると。

こういうのは 本当に
ディープラーニングが 今 得意な領域で

世界中で どんどん研究が進んで

人間のお医者さんの精度を
超えるっていう事例が

次々と出てるっていう感じですね。

逆に言うと 人間の方が
勝ってるなっていうところって

どういうとこなんですかね?

治療の選択肢を相談するという
部分ですとか

そのニュアンスの部分ですとか

あとは
さっきも言いましたように

やはり
間違いが機械にもあるので

例えば がんですよと
AIが言って

それで それを真に受けて
手術をして

取って調べてみたら
がんでなかったという場合に

責任を誰に問うかっていう…。

自動運転の話で 事故を起こしたら
誰なのかみたいなところで

機械を訴えるのか 機械を作った
会社を訴えるのかみたいな…。

確かに 実用するには
そういうところ 大問題ですよね。

そういうところが出てくるって
いわれています。

あと 画像は やっぱり 今

ディープラーニングで
非常に精度 上がって

人間のお医者さんを超えるような
とこまで行ってますけども

僕は やっぱり
人間のお医者さんが

まだまだ AIよりも
優れてるっていうのが

やっぱり 総合的な判断で。

これは いろんな検査の結果とか
画像の結果とか

それから 問診の内容だとか
いろんな事を総合的に判断して

この方は もしかしたら

こういう病気なのかもしれない
というのを推測するのは

これは 僕は AIには
すごく難しいと思ってまして

なぜなら
それを ちゃんとやろうと思うと

やっぱり 人間の体が そもそも
どういうふうに出来てるかとか

病気が どういう仕組みで
起こるのかとか

あるいは ある職業っていうのが

どういう生活パターンが
多いのかとか

いろんな事を知ってないと
駄目な訳ですね。

画像みたいに この情報だけから
分かるっていう事と

いろんな情報を知ってないと
判断できない事っていうのは

やっぱ 全然違いますので
そういう意味では

画像の診断に関しては
AIは ディープラーニングは すごいと。

ただ それ以外の診断に関しては

僕は まだまだ
お医者さんの力を借りないと

いけないんじゃないかな
というふうには思いますね。

単純に患者側からしても

やっぱり 100%
機械に任せるのって不安やし

やっぱり 目の前に
先生 お医者様がいるからの

安心感というかね そういう部分も
多分 あるでしょうし

やっぱ タッグを組む事が
すごく大事なんですね。

診断が正しかったとしても
やはり 人によって

直接ズバッと 悪い病気ですって
言われた方がいい人と

何となく 遠回しに
病名を はっきり言わないけど

ニュアンスで 何か危ない病気なのかな
って伝えられる方がいい人とか

いろいろ いるので
その辺は 我々 やっぱり

長い患者さんとの関係の中で

どういうふうに伝えるのが
一番 受け入れやすいかな

っていう事を考えながら
伝え方も考えているので

そこが 多分 AIだけでやると

バンと 結論が
ストレートに出てきちゃうので…。

生存率何% バ~ンみたいなね。
やはり そこの 上手に

その人に合わせた伝え方
みたいなところは

まあ 機械学習が 最終的には
行くのかもしれない…。

その人の生活史を
全部 ディープラーニングしないと

そこに合わせた伝え方
っていうのが できないので

そこが まだまだ 我々の役割かな
というふうに思います。

あと もう一つあるのは 多分

日本は
やっぱり 医療のレベル高いんで

全然いいと思うんですけども

ところが
やっぱり 発展途上国とか

そういう国の方の中には

医療にアクセスできない方って
たくさんいらっしゃって

そういう方は 本当だったら

人間のお医者さんに
診てもらうのがいいんだけども

そこは お金の問題とか
いろんな問題で

できないってなった時に
こういう人工知能の技術で

多くの人に
使ってもらうっていうのは

あるのかもしれないですね。
そうですね。

ディープラーニング。 その構造は
人間の脳を模倣したものです。

人間の脳は 1, 000億に及ぶ
神経細胞 ニューロンのかたまり。

ニューロンは
電気信号を次から次へと伝える

巨大な電気ネットワークです。

ディープラーニングでは
これを人工的に再現。

丸い玉がニューロンの代わりで

それらをつなぎ
電気信号を走らせます。

これが ニューラルネットワークです。

<画像は 範囲を広くして見た方が
特徴がつかみやすくなります>

<特徴があったかどうかを
次のニューロンに伝えます>

<そして その特徴が
どれくらい強く現れているか。

少しずつ範囲を広げて 最終的に
画像全体の判定を行います>

<例えば 3掛ける3の範囲で
見てみましょう。

横に並んだニューロンが 太い道で
次の層につながっている場合

並んだ画素があれば
信号が強く伝わります>

<別の範囲に ずらしていきます>

<横に並んだものがなければ
信号も弱まります。

画像全体にまで広げると

横に並んだ部分が強調されます。

今度は こちらの画像。

横に並んだ場所が少ないので
強い反応が現れません>

<特徴を捕まえて 強く反応する。

いわば フィルターにかける画像処理。

ふるいにかけたら よく分かる。

毎回続けて見れば
イメージで分かる。

「2分でディープラーニング」でした>

何かを信じる事ができる。

希望を持つ。
共有をする事ができる。

そして よくも悪くも

非合理的な判断をする
っていうところが

人らしいっていうとこなのかな
というふうに思いました。

先ほども
おっしゃってましたけども

そういう非合理的な判断。

そうですよね。 ここら辺は もう

AIには
どうしようもないところで

やっぱり
人の 人らしさっていうのは

やっぱり そういう
何かを信じたり…。

理不尽っていうか
どちらかっていうと

今 合理的だと
されてるものの方が

ある仮定に基づいた上で
合理的っていってるだけなんで

それも ちょっと おかしな言葉
だと思いますけれども

そういう非合理な判断
理不尽な判断をしてしまう

というところも
非常に人間らしいところかな

というふうに思いますね。
じゃあ 僕ですけども

やっぱ もう 温度ですね。

何か 先ほど 岡田さんに

例えで 「大丈夫ですよ」って
こう 手をあててもらった時に

やっぱ
あったかいなって思ったんですよ。

やっぱり もう 特に

おじいちゃん おばあちゃん
これから どんどん増える訳で

おじいちゃん おばあちゃん
なんかにとっては

やっぱり
そういう ぬくもりって

すごく心の支えになったりとか
すると思うんで…。

医療というものに関して言うと

やっぱり 温度なのかなっていう
気はしましたね。

ただの温度じゃないんでしょうね。
やっぱり。

それやったら もう
ホッカイロでいいんで。

やっぱり 人のぬくもりっていう
そういうとこなんでしょうね。

AIにとって
診断は 人のデータの解析。

しかし 人間にとって
診断は 命を救う行為。

今 医療で
両者の共同作業が始まっています。

データのかたまりである人間に

それ以上の何かを
AIが感じ始めた時

あなたは つぶやくでしょう。

人間ってナンだ?


関連記事