メインコンテンツへスキップ
AMPL
医療AIの全体像と応用領域
レッスン 1 / 7|17分で読めます

医療AIの全体像と応用領域

画像解析・LLM・予測・創薬の4つの層で医療AIの現在地を捉え、エビデンスで裏づけながら「まだできないこと」まで一望します

このレッスンで学ぶこと

このレッスンを終えると、医療AIを「画像・信号の解析」「文章と記録の処理」「予測とリスク層別」「研究・創薬」の4つの層で捉え、それぞれが今どこまで来ていて、どこがまだ難しいのかを、自分の言葉で説明できるようになります。

医療AIの話は「すごい」と「あてにならない」の両極に振れがちです。役に立つのは、その間にある現在地です。研究で何が示され、現場で何が承認され、何がまだ検証不足なのか。出典に当たりながら整理します。

視点

このレッスンの見取り図

医療AIは一枚岩ではありません。実装が最も進んだ画像解析、医師が日常で最初に触れる文章・LLM、予測やリスク層別、そして研究・創薬。層ごとに成熟度も注意点も違います。「医療AI」とひとくくりにせず、層で分けて考えるのが第一歩です。

セクション1: 医療AIを4つの層で捉える

医療AIの4層（画像解析・文章LLM・予測CDSS・研究創薬）を上から下へ積み重ねた縦型マップ。各層の横に成熟度の高低を示す矢印が添えられている。
医療AIは「画像解析」「文章・LLM」「予測・CDSS」「研究・創薬」の4層に分かれ、成熟度と注意点がそれぞれ異なります。

医療AIを応用先で並べると、おおむね次の4層に整理できます。

  1. 画像・信号の解析：X線・CT・MRI・眼底・皮膚・心電図などから異常を見つける
  2. 文章と記録の処理：要約、下書き、患者説明文の作成。生成AI（LLM）が担う層
  3. 予測とリスク層別：再入院・急変・予後などのリスクを見積もる。臨床意思決定支援（CDSS）に近い
  4. 研究・創薬：化合物探索やタンパク質構造予測など、研究そのものを加速する

成熟度は1から順に高い、と考えるとおおよそ合っています。画像解析は承認された医療機器が実在し、研究の蓄積も厚い。一方で予測・CDSSは「承認された専用システム」と「汎用の生成AI」を混同しやすく、注意が要ります。

セクション2: 画像解析 ── 最も実装が進んだ層

糖尿病網膜症と皮膚がんの2事例が横に並び、それぞれの元論文著者名と「専門医と同等」という評価が示されている。下部にメタアナリシスが「外部検証が不足」と警告する注釈ボックスが置かれている。
画像解析AIは専門医並みの精度を示す研究がある一方で、外部データでの検証が不足しているという共通の弱点があります。

医療AIで最も研究が厚く、製品化も進んでいるのが画像解析です。代表的な成果を挙げます。

  • 糖尿病網膜症：眼底写真から網膜症を検出する深層学習モデルが、専門医に匹敵する精度を示しました（Gulshan, JAMA 2016。感度97.5%、特異度93.4%）。
  • 皮膚がん：皮膚画像の分類で、専門医と同等の性能が報告されています（Esteva, Nature 2017）。

ここで大事なのは、個別の成功例だけで判断しないことです。複数の研究をまとめたシステマティックレビュー・メタアナリシスでは、深層学習の診断性能は医療従事者と「同等」と結論されました。ただし同時に、外部データで検証した研究はごく一部で、報告の質も低いものが多い、と強く釘を刺しています（Liu, Lancet Digit Health 2019）。

注意

「専門医と同等」をそのまま信じない

画像解析AIの「専門医並み」は、多くが限定された条件での結果です。学習に使った施設と違う病院、違う撮影機器、違う患者層で同じ性能が出るとは限りません。メタアナリシスが指摘したのは、まさにこの外部検証の不足でした。製品を見るときは「どの集団で・誰と比べて・外部で検証されたか」を必ず確認してください。

セクション3: 文章とLLM ── 医師が最初に触れる層

左右対比レイアウト。左側「できること」欄に論文要約・下書き・患者説明文が並ぶ。右側「注意点」欄に医療機器非承認・ハルシネーションが並ぶ。
汎用LLMは文章作業を速くしますが、医療機器として承認されておらず、もっともらしい誤りを出すという点に注意が必要です。

ChatGPTなどの生成AI（大規模言語モデル、LLM）は、医師が日常で最初に触れる医療AIです。論文の要約、抄録の下書き、患者説明文のたたき台。文章を扱う作業を速くします。

ただし、この層には固有の落とし穴があります。汎用のLLMは、医療機器として承認された診断・治療支援システムではありません。そして、もっともらしい誤り（ハルシネーション）を出します。存在しない論文、誤った用量、ありえない所見。便利さと危うさが同居しているのが、この層です。

使いどころは「答えを出させる」ではなく「考えと作業を助けさせる」です。最終的な医学的判断と、その責任は人にあります。

セクション4: 予測・リスク層別と臨床意思決定支援（CDSS）

患者データから再入院や急変、予後のリスクを見積もる層です。臨床意思決定支援システム（CDSS）がここに含まれます。

注意すべきは用語の混同です。医療機器として承認・規制されたCDSSと、ChatGPTのような汎用AIは別物です。承認CDSSは検証と規制を経ていますが、汎用AIに同じ水準を期待してはいけません。この違いと、現場での使い方は、次レッスン以降の臨床意思決定支援の回で詳しく扱います。

セクション5: 研究・創薬 ── 時間を縮める層

研究の現場では、AIが探索の時間を大きく縮めています。象徴的なのが、タンパク質の立体構造を高精度で予測するAlphaFoldです（Jumper, Nature 2021）。50年来の難問とされた構造予測で、多くのケースで実験に匹敵する精度を実現しました。

これは創薬や基礎研究を加速します。ただし、構造が予測できることと、新薬が患者に届くことは別の話です。臨床に到達するまでには、有効性と安全性の検証という長い道のりが残ります。研究を速くする力は本物ですが、臨床のゴールと混同しないことが大切です。

まだできないこと（ここが本題）

医療AIの5つの共通限界（外部検証不足・データの偏り・相関と因果・責任の所在・統合の難しさ）が中央の「限界」ノードを囲むハブ＆スポーク図。
画像解析・LLM・予測・創薬のどの層にも、外部検証の不足やデータの偏りといった共通の限界があります。

応用例の華やかさの裏で、医療AIにはまだ越えられていない壁があります。

  • 外部検証の不足：高性能の報告の多くが、開発と同じ環境での結果。別の施設・機器・患者層で同じ性能が出る保証はない（Liu, Lancet Digit Health 2019）。
  • データの偏り：学習データに含まれない集団では性能が落ちうる。特定の年齢・地域・背景に不利に働く危険がある。
  • 相関であって因果ではない：予測が当たることと、因果を理解していることは違う。判断の根拠が見えにくいモデルもある。
  • 責任は人にある：AIの出力をそのまま使って起きた誤りの責任は、使った医師にある。
  • ワークフロー統合の難しさ：性能が高くても、現場の動線に乗らなければ使われない。

「何ができるか」と同じくらい「何がまだできないか」を言えること。それが、医療AIを語る側の誠実さです。

まとめ

このレッスンでは、医療AIを4つの層で整理しました。画像解析は最も実装が進み、承認機器も研究の蓄積もある。文章・LLMは身近だが承認診断機器ではなく、ハルシネーションを伴う。予測・CDSSは承認システムと汎用AIの区別が肝心。研究・創薬は時間を縮めるが、臨床到達は別問題。そして、どの層にも外部検証・偏り・責任という共通の限界がある。

次のレッスンでは、最も研究が厚い画像解析AIに絞って、その原理と限界を掘り下げます。

明日のアクション

自分の専門領域で実際に使われている（または導入を検討している）医療AIを1つ挙げ、本レッスンの4層（画像・文章/LLM・予測/CDSS・研究/創薬）のどれに当たるか分類してみましょう。あわせて「外部データで検証されているか」「承認された医療機器か、汎用AIか」の2点を調べ、わからなければ何を確認すべきかを書き出してください。

参考文献

  1. Gulshan V, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-2410. doi:10.1001/jama.2016.17216
  2. Esteva A, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542:115-118. doi:10.1038/nature21056
  3. Liu X, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019;1(6):e271-e297. doi:10.1016/S2589-7500(19)30123-2
  4. Jumper J, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596(7873):583-589. doi:10.1038/s41586-021-03819-2