ChexGenから学ぶ、医療AIの“最前線”
医療AIと聞くと、多くの人は「AIが診断する」場面を思い浮かべると思います。
レントゲンを読んで、肺炎を見つける。
CTを見て、がんの疑いを指摘する。
心電図を読んで、不整脈を見つける。
ぼくも最初は、今回の論文をそういうものだと思って読み始めました。
でも、違いました。
今回読んだNEJM AIの論文 A Generative Foundation Model for Chest Radiography は、胸部レントゲンを読むAIではありません。
胸部レントゲンを作るAIの研究です。
しかも、その目的は、医師が合成画像を見て診断することではありません。AIが作ったレントゲン画像を使って、別の画像診断AIを学習させる。
つまり、診断AIを育てるためのAI。
ここが今回の論文でいちばん面白かったところでした。
AIが学ぶためのデータを、AI自身で作る。
言われてみれば、コロンブスの卵のような話です。 でも、医療AIを「診断するAI」としてだけ見ていると、この発想はなかなか出てきません。
今回はこの論文を中心に、これからのAIの方向性について、一緒に学んでいきましょう。
今週の論文
今回のChexGenは、約96万件の胸部X線画像と、それに対応するレポート・説明文のペアを使って学習されています。
AIは、
「こういう説明があるとき、画像はどう見えるのか」
「この病変は、胸部レントゲンではどのように写るのか」
という対応関係を学びます。
そのうえで、テキストや条件を入力すると、それに合った胸部レントゲン画像を生成します。さらに、病変の場所をマスクやバウンディングボックスで指定することもできます。つまり、これは単なる画像生成ではありません。診断AIに学ばせるための練習問題を作るAIです。
そもそも、AI画像を作るのか？
画像診断AIを作るには、たくさんの画像が必要です。でも、ただ画像が多ければいいわけではありません。AIにとって必要なのは、質のよい教材です。特に難しいのが、レアなレントゲンです。
珍しい病気。
見逃したくないけれど、数が少ない所見。
病変の場所まできれいに印がついた画像。
こうしたデータは、現実にはなかなか集まりません。
人間の医師でも、何度も見たことがある病気は気づきやすい。でも、めったに出会わない症例は難しい。これは、AIも同じです。たくさん見た画像は学びやすい。でも、あまり見たことがない画像は苦手になりやすい。
そこで、AIに学ばせるための画像をAIが作る、という発想が出てきて調べたのか今回の研究です。
AIが作った画像で、AIは賢くなる？
この論文では、ChexGenが作ったレントゲン画像を、別の画像診断AIの練習に使っています。結果として、実際の画像だけで学習した場合よりも、成績は良くなりました。
たとえば、14種類の病気を見分けるタスクでは、成績が78.0点から80.1点に改善しています。
さらに、少ない本物画像だけで学んだAIは59.1点でしたが、先にChexGenの合成画像で練習してから本物画像で仕上げると、76.1点まで改善しました。
合成画像は、本物の画像の代わりではありませんが、診断AIを育てるための予習教材には十分。この結果は、かなり興味深いかったです。
でも、すぐ臨床で使えるわけではない
ここで一度、ブレーキを踏む必要があります。研究データの中で成績が良くなることと、実際の医療現場で役に立つことは同じではありません。レアな病気ほど、本当に正しい画像が作れているかを確かめるのは難しい。
AIが作った画像が本物っぽく見えることと、医療として信頼できることも別です。さらに、生成AIには、元のデータを覚えてしまうリスクもあります。
医療画像は患者さんのデータです。もし合成画像が元の患者さんの画像に近すぎるものだったら、プライバシーの問題になります。合成画像で診断AIは賢くなりうる。
でも、それを医療として信じるには、まだ越えるべき壁があります。
AIが賢くなっても、医師は必要
今回の論文を読みながら、ひとつ考えたことは、AIの性能が高くなれば、人間は不要で、判断のプロセスから外れるか、という点。
医療では、画像だけを見ているわけではありません。
患者さんの症状、経過、既往歴、検査値、これまでの治療……こうした情報を合わせて、最終的な判断をします。
ここで大事なのが、Human in the Loopという概念。
AIは、あくまでも判断を支える道具です。人間がその輪の中から完全に外れるわけではありません。
AIが出した結果を、どこまで信じるのか。
どこを疑うのか。
目の前の患者さん全体の状況と合っているのか。
そこを確認する役割は、人間に残ります。
この発想は、医療以外にも広がる
今回のChexGen論文から学べるのは、胸部レントゲンに限った話ではないと思います。
ポイントは、AIを育てるためのデータを、生成AIで補うという考え方です。これは、他の領域にも広がる可能性があります。
たとえば製造業なら、不良品検出。正常な製品画像はたくさんある。 でも、まれな故障や異常パターンは少ない。 しかも、本当に見逃したくないのは、そういうレアな不良です。そこで、AIがさまざまな不良パターンの画像を作り、それを使って検査AIを学ばせる。
教育でも似たことが考えられます。生徒が苦手にしやすい問題。出題頻度は低いけれど、理解には重要な問題。特定のミスパターンに合わせた練習問題。こうした教材をAIが作り、学習支援に使う。
そう考えると、今回の論文は「胸部レントゲンAI」だけの話ではありません。AIを単に使うだけ時代から、AIを育てるデータ環境を設計する時代へ。その入り口にある研究として読むことができます。
この論文を読んで感じたこと
今回の論文は、本当に難しかったです。難しい単語が多い、というだけではありません。日本語に翻訳しても、まだ難しい。AIに説明してもらっても、すぐにはわからない。
「診断AI」だと思って読んでいたら、実は「診断AIを育てるAI」の話だった。このズレについていくのが大変でした。でも、ここに今の医療AIの最先端があるのだと思います。
ぼくらは医療AIというと、つい、
「実際に使えるのか」
「仕事が楽になるのか」
「精度が上がるのか」
という方向で考えます。
もちろん、それは大事です。
でも、NEJM AIに載るような論文では、もっと手前の話をしていることがあります。
AIをどう育てるのか。
AIに何を学ばせるのか。
少ないデータをどう補うのか。
AIの弱点をどう見つけるのか。
偏りをどう減らすのか。
今回のChexGenは、まさにそこにある論文でした。一番面白かったのは、やはり、AIが学ぶためのデータを、AIが作るという発想。
医療AIを「診断するAI」としてだけ見ていると、この視点にはなかなかたどり着きません。そしてこの発想は、医療に限りません。これから多くの領域で、
「AIに何をさせるか」だけでなく、
「AIをどう育てるか」
が問われるようになるはずです。
これからのAIの進歩を夢想しながら、人間のあり方についても考えていきたいですね。
最後までお読みいただいて、ほんとうにありがとうございます。
かなり難解な内容ですが、教養の糧として楽しんでいただければ幸いです。
コメントやいいねなどいただけますと、これからの励みになりますので、ぜひお願いいたします。
それでは、また次週‼️