人工知能と医師が出会ったら何が起こるかを伝える7つの短編物語

[[187416]]

Huxiu 注: この記事は、4 月 3 日に The New Yorker に掲載された詳細な記事です。この記事では 7 つの短編ストーリーが収録されており、将来、医師と人工知能がどのようにうまく付き合っていくかを概説しています。著者は、著書『万病の帝王：がんの伝記』でピューリッツァー賞ノンフィクション部門を受賞したシッダールタ・ムカジー博士。同博士は医師でもあります。本記事では、近年の人工知能が医療に及ぼす影響について医師の視点から考察します。この記事はWeChatの公開アカウント「WuXi AppTec」によって翻訳されました。

2016年11月のある晩、ニューヨークのブロンクスに住む54歳の女性が、ひどい頭痛のためコロンビア大学医療センターの救急治療室に運ばれた。彼女は緊急治療室の医師に、視界がぼやけ、左手が麻痺して力が入らないと話した。医者はCTスキャンを命じた。

数か月後の1月のある朝、4人の放射線科医が病院の3階にある部屋でコンピューターの前に集まっていた。部屋は暗く、窓はなく、海水でフィルターをかけたようなスクリーンの光だけが差し込んでいた。コロンビア大学神経放射線科主任のアンジェラ・リグネリ・ディップル博士は、鉛筆とタブレットを持って研修医グループの後ろに立っていた。彼女は彼らにCTスキャンの読影を訓練しています。

[[187417]]

▲アンジェラ・リグネリ・ディップル医師（写真提供：コロンビアドクターズ）

「脳が死んで灰色になってきたら、脳卒中の診断は簡単です」とリグネリ・ディップル医師は言う。「鍵は、ほとんどの神経細胞が死ぬ前に脳卒中を診断することです。」脳卒中は、通常、血管の詰まりや出血が原因で、神経放射線科医には、血栓を溶かすために医学的に介入する時間が約 45 分あります。 「今、自分が緊急治療室にいると想像してください」とリグネリ・ディップル博士は続けた。「1分ごとに脳の一部が死にます。時間を失うことは脳を失うことを意味します。」

彼女は壁の時計をちらっと見た。秒針がカチカチと動いていた。彼女は医師たちに「いったい何が問題なのですか？」と尋ねました。

脳卒中は通常、片側に発生します。脳に入った血液は左右に流れ、その後血管の枝に流れ込みます。血栓や出血は通常、これらの枝の 1 つだけに影響を及ぼし、脳の片側に機能障害を引き起こします。神経細胞が血液供給を失って死ぬと、組織はわずかに腫れます。 CT 画像では、解剖学的構造の境界がぼやけることがあります。最終的に組織は収縮し、影が残ります。しかし、この影は通常、CT スキャン後、数時間または数日経過するまで現れず、介入の時期をはるかに過ぎてしまいます。 「それ以前は、CTスキャンでほんのわずかな兆候しか見られませんでした」とリグネリ・ディップル医師は私に話した。それは脳卒中の前兆だ。

コンピューターの画面には、ブロンクス在住の女性の脳のCTスキャン画像が映し出されていた。頭蓋底から頭頂部まで水平にスキャンされており、切ったメロンのような形をしていた。研修医たちは、まるで本をめくるかのように各画像を素早く見ていき、小脳、海馬、島皮質、線条体、脳梁、脳室といった解剖学的構造の名前を一つ一つ言っていった。突然、20代の研修医がスライドの上で立ち止まり、脳の右側の領域にペンを向けて、「ここに何かあります。境界がぼやけて見えます」と言った。私には、画像全体が非常に不規則でぼやけて見え、ピクセルがぼやけていたが、彼は明らかに何か異常なものを見ていた。

▲脳CT画像、赤丸が脳卒中部位（画像出典：brainpictures）

「漠然と？」リグネリ・ディップル博士は声を上げた。「もっと明確に説明できますか？」

住民は言葉を見つけるのに苦労した。彼は、まるで自分の脳の解剖学に入り込んで可能性について考えるかのように、立ち止まった。最後に彼は「ここは連続していない」と言いました。そして肩をすくめて「分かりません。ただ面白そうに見えます」と言いました。

その後、リグネリ・ディップル医師は20時間後に撮影された2回目のCTスキャンの結果を示したが、研修医が指さした部分はぼやけて腫れていた。数日後の一連のスキャンで何が起こっているのかが明らかになり、はっきりとした灰色のくさび形が現れました。実際、女性が救急室に到着してすぐに、神経科医が薬を使って詰まった動脈を開通させようとしたが、到着が遅すぎた。最初のCTスキャンから数時間後、彼女は意識を失い始め、すぐにICUに運ばれました。 2か月後、彼女は上腕から脚まで体の左側が麻痺した状態でまだ入院していました。

私は彼女と一緒にリグネリ・ディップル医師の診療所に行きました。そこで私は「学習」について学びました。医師はどうやって診断を学ぶのでしょうか?機械は診断することも学習できるのでしょうか?

2

私が診断に携わるようになったのは、1997 年の秋、ボストンの病院で臨床研修をしていたときでした。インターンシップの準備をしていたとき、診断行為を4つの段階に分けた古典的な医学の教科書を読みました。まず、医師は患者の病歴や身体検査を通じて患者の訴えや病状を収集します。次に、この情報を整理して、考えられる原因のリストを作成します。次に、質問と予備検査によって、いくつかの仮説を排除し、他の仮説を強化することができます。これを「鑑別診断」と呼びます。医師は、病気の発生率、患者の病歴、リスク、曝露（諺にあるように、「蹄の音が聞こえたら、シマウマではなく馬を思い浮かべなさい」）などの要素を検討します。リストから項目を一つずつ削除することで、医師は判断力を磨きます。最後に、医師は仮説をさらに確認し、診断を下すために、X 線検査や CT スキャンなどの臨床検査を指示します。この段階的な診断プロセスは数十年にわたって医学の教科書で教えられており、症状から原因までの厳格な診断方法論は、何世代にもわたる医学生に徐々に刻み込まれてきました。

[[187419]]

しかし、私はすぐに、本当の診断技術はそれほど単純ではないことに気づきました。私が通っていた医学部の学部長は、磨かれた靴を履き、硬いアクセントで話す上品なニューイングランド人でした。彼は熟練した診断医であることを誇りに思っている。彼は患者に咳などの症状を見せるように頼み、それから椅子にもたれかかって一連の形容詞を発声させた。彼は、まるでボルドーのボトルを説明するかのように、「荒々しくて鋭い」、あるいは「鈍い」と言うかもしれません。私にとっては、どの咳もまったく同じように聞こえますが、心配そうなワインテイスターのように、「ああ、きつい」と言います。

咳を分類すると、診断の可能性がすぐに狭まります。彼は「肺炎の一種のようです」とか「うっ血性心不全を伴う湿疹のようです」と言うかもしれません。それから彼はたくさんの質問をしました。患者さんは最近体重が増えましたか？アスベストにさらされたことがありますか?彼は患者にもう一度咳をするように頼み、体を傾けて聴診器で注意深く聞くようにした。その答えによっては、彼は別の可能性を判断するかもしれません。そして、道端の魔術師のように唐突に「心不全です！」と診断結果を告げ、それを確認するための検査を処方したのです。結果は通常は正確です。

数年前、ブラジルの研究者たちは放射線科医がどのように診断を下すかを理解するために彼らの脳を研究した。これらの経験豊富な診断医は、画像を識別するために精神的な「ルールブック」や「パターン認識または非分析的推論」を使用しているのでしょうか?

実験に参加した25人の放射線科医は、MRIを使用して脳の活動を追跡しながら、肺のX線写真を観察するよう求められた。彼らの目の前にX線画像が映し出された。 1 セットの画像には、肺に現れる手のひら型の影や、肺の内壁の後ろに溜まる鈍く不透明な液体の壁など、一般的な単一の病変が含まれています。 2 番目の画像セットは動物の線画で、3 番目の画像セットは文字の輪郭でした。 3種類の画像がランダムに放射線科医に示され、MRI装置が脳の活動を追跡する間に、放射線科医はできるだけ早く病変、動物、または文字の名前を言うように求められた。放射線科医が診断を下すのに要した時間は平均1.33秒だった。 3 つの条件すべてにおいて、脳の同じ領域が光った。左耳の近くの幅広いニューロンのデルタと、頭蓋骨の後ろの底の上の蛾の形をした帯である。

研究者らは、医師が特定の特徴や以前から知られている病変を認識するときの脳のプロセスは、日常生活で物事を認識するときに使われるものと似ていると結論付けた。病変の特定は動物の特定プロセスに似ています。サイのことを知っていれば、他の動物のことは考えなくなります。また、それがユニコーン、センザンコウ、子象で構成された動物だとは思わないでしょう。あなたはサイを全体として、つまりパターンとして知っています。放射線科医にも同じことが言えます。熟考したり、思い出したり、区別したりする代わりに、彼らは普通のものを見ます。私の先生も、その湿った音を聞き覚えのあるジングルだと認識しました。

3

1945 年、イギリスの哲学者ギルバート・ライル卿は、2 種類の知識に関する影響力のある講演を行いました。子どもは、自転車には二つの車輪があり、タイヤには空気が入っていて、ペダルを回すと自転車が前進することを知っています。ライル氏はこの知識を事実に基づく、命題に基づく知識、つまり「何であるかを知る」ことだと呼んでいます。しかし、自転車の乗り方を学ぶには、別の学習領域が必要になります。子供は転んだり、二輪車でバランスを取ったり、でこぼこ道を進んだりしながら自転車の乗り方を学びます。ライル氏はこの知識を暗黙的、経験的、スキルベースの「方法を知る」ことと呼んでいます。

[[187420]]

▲イギリスの哲学者ギルバート・ライル（写真提供：philosopherbasics）

2 種類の知識は相互に依存しているようです。事実に基づく知識を使って経験に基づく知識を深めることもでき、その逆も同様です。しかし、ライル氏は、取扱説明書で子供に自転車の乗り方を教えられないのと同じように、何をすべきかを知ることは、何をすべきかを知ることから単純に推論できるものではないとも指摘した。彼は、ルールは、それをどのように適用するかを知って初めて意味を持つ、と述べた。「ルールは鳥のようなものだ。鳥は生きていないと詰められない。」ある日の午後、私は7歳の娘が自転車に乗って小さな丘を越えるのを見ていた。彼女は斜面の最も急な部分で初めて転んだ。 2 回目は、傾斜が緩むにつれて彼女が座席にかかる体重の配分を調整しながら、少し、そしてさらに前に傾くのが見えました。しかし、私は彼女に坂道を自転車で走るルールを教えませんでした。彼女は娘に上り坂の乗り方のルールも教えないだろうと思います。私たちは脳に常識を教え、​​残りは脳に考えさせます。

リグネリ・ディップル医師の放射線科研修医研修に参加した後、CTスキャンで初期の脳卒中を発見した若者、ステフェン・ハイダー氏と話をしました。彼はどのようにして病変を発見したのですか?それは「それを知っている」ことでしょうか、それとも「それをどうやって行うかを知っている」ことでしょうか?彼は学習のルールについて私に話し始めました。脳卒中は片側性であることが多く、組織の微妙な「灰色化」を引き起こし、組織はわずかに腫れたように見え、解剖学的な境界はぼやけています。 「脳には血液供給が特に脆弱な部分がある」と彼は言う。病変を特定するために、彼は片方の脳室でもう片方と異なる部分を探す必要があった。

私は彼が見落としていた非対称の画像がたくさんあることを思い出させました。実際、CT スキャンでは、心室の片側だけに多くの影が映し出されます。彼はどのようにして正しい領域に注目を絞ったのでしょうか?彼はしばらく考えてから、「分かりません、潜在意識の何かの感情です」と答えました。

「放射線科医はこうやって成長し、学ぶのです」と彼の先生であるリグネリ・ディップル博士は私に語った。問題は、機械も同じように「成長し、学習」できるかどうかです。

4

2015 年 1 月、コンピューター科学者のセバスチャン・スラン博士は、医療診断という難しい問題に興味を持ちました。スラン博士はドイツで育ちました。痩せていて、頭を剃っていて、おかしな顔をしています。ミシェル・フーコー氏（フランスの哲学者）とミスター・ビーンを合わせたような外見です。彼はスタンフォード大学の教授で、人工知能を研究していました。その後、Google に入社し、自己学習型ロボットと自動運転車の研究に重点を置く Google X プロジェクトを立ち上げました。その後、彼の興味は医療における機械学習に移りました。彼の母親は49歳で乳がんで亡くなった。スラン博士は現在ちょうど49歳です。彼は、「ほとんどのがん患者は症状がありません。私の母もそうでした。母が医者に行ったときには、がんはすでに転移していました。だから、私は手術が可能な初期段階でがんを検出したいのです。機械学習アルゴリズムでそれができるのではないかとずっと思っていました」と話しました。

[[187421]]

▲コンピューター科学者セバスチャン・スラン博士（写真提供：スタンフォード大学公式サイト）

自動診断に関する初期の研究では、機械に教科書から明示的な知識を学習させることが含まれていました。コンピュータによる解釈は、過去 20 年間にわたって自動診断の主要な特徴となっており、その解決策は比較的単純なものが多いです。たとえば、心臓の活動を線グラフにして紙や画面に表示する心電図を記録します。心電図上の特徴的な波形は、心房細動や血管閉塞など、さまざまな病気と関連しています。波形を識別するためのルールがアプリケーションに入力され、機械が波形を認識すると、心拍のその部分に「心房細動」などのラベルが付けられます。

マンモグラフィーでは、「コンピュータ支援検出」も一般的です。パターン認識ソフトウェアが疑わしい領域を強調表示し、放射線科医がその結果を確認します。ただし、認識ソフトウェアでは、疑わしい病変を識別するために、依然としてルールベースのシステムを使用するのが一般的です。このようなプログラムには学習メカニズムが組み込まれていないため、3,000 枚の X 線を見た機械は、4 枚しか見ていない機械よりも賢くなることはありません。 2007 年の研究では、コンピューター支援診断の使用前と使用後のマンモグラフィーの精度を比較しました。コンピューターを追加すれば、診断の精度が大幅に向上すると考える人もいるかもしれません。実際、コンピューター支援グループでは生検の割合が劇的に増加した一方で、腫瘍医が最も発見を期待する小さな浸潤性乳がんの割合は減少した。その後、誤検知の問題も発見されました。

スラン博士は、これらの第一世代の診断装置をルールベースのアルゴリズムから学習ベースのアルゴリズムに移行することで、つまり「何を知るか」ではなく「どのように知るか」から診断を行うことで、診断装置を超えることができると信じていました。スラン博士のような学習アルゴリズムでは、脳機能のモデルにヒントを得た設計のため、「ニューラル ネットワーク」と呼ばれる計算戦略がますます採用されるようになっています。脳では、シナプスは繰り返し活性化することで強化されたり弱まったりしますが、これらのアルゴリズムも数学的手段を使用して同様の認知方法を実現し、判断基準の「重み」を常に調整して、出力結果が徐々に正確になるようにしたいと考えています。もう 1 つのより強力な学習アルゴリズムは、脳内のニューロンの層に似ており、各層が入力データを処理し、結果を次の層に送信します。そのため、「ディープラーニング」とも呼ばれます。

写真をスキャンするだけで、機械に皮膚がんと良性の皮膚疾患（ニキビ、発疹、ほくろなど）を区別することを教えられるでしょうか？ 「皮膚科医ができるのなら、機械でもできるはずだ」とスラン博士は考えた。「機械のほうがもっとうまくできるかもしれない」。スラン博士は皮膚がんから研究を始めた。彼は、米国で最も一般的ながんである角化細胞がんと、最も悪性度の高い皮膚がんである黒色腫を選んだ。

伝統的に、皮膚科における黒色腫の指導は、医学生が学ぶマントラ「ABCD」のような基本的なルールを学ぶことから始まります。黒色腫は通常、非対称（「A」）、境界が不均一（「B」）、色がまだら状または多彩（「C」）、直径が 6 mm を超える（「D」）ものです。しかし、スラン博士が医学書やインターネットで黒色腫の標本を調べたところ、その規則に当てはまらない症例が見つかった。

当時スタンフォード大学の非常勤教授だったスラン博士は、この研究を実施するためにアンドレ・エステバ氏とブレット・クプレル氏という2人の学生を採用した。彼らの最初の仕事は、いわゆる「教育パッケージ」、つまり機械に悪性腫瘍を認識させる画像の大規模なコレクションをまとめることだった。学生たちは、ニキビ、発疹、虫刺され、アレルギー反応、がんなど2,000種類の病気に関連するさまざまな皮膚の状態を示す13万枚の画像を含む18の皮膚症例画像分類ライブラリをオンラインで検索した。注目すべきことに、2000 個の病変のグループでは病理学的生検による確認が行われました。

次に、エステバ氏とクプレル氏はシステムのトレーニングを開始しました。彼らはルールに従ってプログラミングせず、ABCD 原則も教えませんでした。代わりに、研究者たちは、診断分類基準とともに画像をニューラルネットワークに入力しました。私はスラン氏にそのようなネットワークについて説明するよう依頼しました。

[[187422]]

彼はこう言いました。「昔ながらのプログラムが犬をどのように認識するか想像してみてください。ソフトウェア エンジニアは、if-then-else ロジック コードを 1,000 行記述します。つまり、耳があり、豚の口があり、毛があるなら、それはネズミではない、などです。しかし、これは明らかに、子供が犬を認識する方法ではありません。最初、子供は犬を見て、それが犬であると教えられることで犬を認識します。子供は間違いを犯し、その後、自分自身を訂正します。たとえば、子供はオオカミを犬と間違えますが、その後、大人からこの 2 つの動物は同じではないと訂正されます。子供は、これは「犬」で、あれは「オオカミ」であると、自己認識を何度も調整します。」

機械学習でも同じことが言えます。機密トレーニングから情報を抽出します。この絵は犬です。そしてあの絵は犬ではありません。さまざまなカテゴリの機能をまとめています。何百、何千もの分類された写真を見ることで、最終的には子供がするのと同じように、犬を識別する独自の方法を発達させました。彼らはただそれをどうやって行うかを知っているだけです。

2015年6月、スラン博士のチームは「検証パッケージ」を使用して、教科書の画像からの機械の学習をテストしました。皮膚科医の診断（必ずしも生検ではない）を記載した約 14,000 枚の画像を使用して、この機械が画像を良性病変、悪性病変、非腫瘍性増殖の 3 つのカテゴリに正しく分類できるかどうかをテストしました。システムは 72% の精度を達成しました (アルゴリズムの実際の出力は「はい」または「いいえ」ではなく、特定の病変の確率です)。スタンフォード大学の認定皮膚科医2人がこのテストを受けたが、正解率はわずか66％だった。

その後、スラン博士、エステバ氏、クプレル氏は研究対象を25人の皮膚科医に拡大し、今度は生検で検証された約2,000枚の画像からなるゴールドスタンダード「検査キット」を使用した。ほぼすべてのテストにおいて、機械の感度は向上し（陽性サンプルを見逃さない）、特異性も向上しました（陰性サンプルを誤認しない）。 「すべてのテストにおいて、このアルゴリズムはプロの皮膚科医の結果を上回った」と研究チームはネイチャー誌に掲載された論文で結論付けている。

記事で十分に強調されていなかったのは、研究の最初の反復で、スラン博士のチームがまったく新しいニューラル ネットワークを使用したことです。しかし、無関係な特徴（犬や猫など）を認識するようにすでに訓練されたニューラルネットワークから始めると、より速く、より良く学習できることがわかった。おそらく私たちの脳にも同じような機能があるのでしょう。高校で習う面倒な演習問題、つまり多項式の因数分解、動詞の活用、周期表の暗記などは、それとは逆のタイプの知識なのかもしれません。私たちの意識は非常に敏感です。

スラン博士は、人々が将来、スマートフォンを使って気になる病変の写真を簡単に送信できるようになることを望んでいる。そのためには、システムがさまざまな角度や照明を認識できる必要がある。ただし、機械にティーチングを行う際には、画像を慎重に処理する必要があります。 「画像の中には、悪性黒色腫が黄色とラベル付けされていたものもありました」と同氏は言う。「それらの画像を削除する必要がありました。そうしないと、機械が黄色は癌の特徴だと学習してしまうからです。」

これは古くからあるパズルです。1世紀前、ドイツの人々は、足し算と引き算ができ、ひづめを叩いて答えをはっきりと伝えることのできる馬、賢いハンスに魅了されました。実は、クレバー・ハンスはトレーナーの表情を感知していることが判明しました。馬の蹄が正解に近づくにつれ、調教師の表情や姿勢もリラックスしていきます。動物の神経ネットワークは算数を学習していないが、人間のボディランゲージの変化を認識することを学習している。 「それがニューラルネットワークの奇妙なところです」とスラン博士は言う。「ニューラルネットワークが何を取り込むのかはわかりません。ブラックボックスのようなものです。ニューラルネットワークが何をするのかは謎に包まれています。」

ディープラーニングでは「ブラックボックス」問題が蔓延しています。スラン博士のアルゴリズム システムは、明確な医学知識ベースや診断ルールのリストに導かれるのではなく、脳内のシナプス接続の強化と弱化に似た多数の内部調整を行うことで、ほくろと黒色腫を区別する方法を効果的に自ら学習します。病変が黒色腫であると正確にどのように判断するのでしょうか?私たちには分からないし、教えてくれることもできない。ニューラル ネットワークが学習する際の内部修正と処理は、私たちの制御の範囲外です。私たち自身の脳と同じです。自転車でゆっくりと角を曲がるときは、反対方向に傾きます。娘はこれをやるべきだと知っていましたが、自分がそれをやっていることに気づいていませんでした。メラノーマ学習マシンは画像からいくつかの特徴を抽出したはずですが、それがどの特徴であるかはわかりません。これは問題でしょうか?それはまるで神が微笑んでいるという知識のようです。これを実現するために、機械学習は動物が人間の思考を理解する方法からインスピレーションを得ることができます。これは「理解することはできても言葉では表現できないもの」です。

将来について、スラン博士は人間が常に監視され、診断される世界を思い描いています。私たちの携帯電話は、動きながらの会話のパターンを分析してアルツハイマー病を診断し、ハンドルはわずかなためらいや震えからパーキンソン病の初期症状を特定し、浴槽はシャワーを浴びている間に無害な超音波やMRIであなたの体をスキャンし、卵巣に異常がないかどうかを判断します。ビッグデータはあなたを観察し、記録し、評価します。私たちはアルゴリズムからアルゴリズムへと移動します。バスタブとハンドルで構成されたスラン博士の世界に入るのは、皮膚科の鏡のホールに入るようなもので、それぞれの鏡が私たちにさらなる検査を促します。

このビジョンに引き込まれずにはいられない。私たちを（細胞レベルまで）継続的にスキャンし、日々の画像の変化を比較する医療処置によって、がんを最も早い段階で検出できるでしょうか？がん検出における画期的な進歩をもたらすことができるでしょうか?このシーンは印象的ですが、知っておくべき重要なことが1つあります。それは、多くの癌は常に自己限定的であり（悪性腫瘍に発展しない）、私たちは癌で死ぬのではなく、癌とともに死ぬ可能性があるということです。このいつでもどこでも診断できる機器は、何百万もの不必要な生検につながるのでしょうか?医学では、早期診断によって命を救ったり延命したりできる場合もあります。心配する時間が長くなるだけで、寿命が長くならない状況もあります。どの程度かはわかりにくいです。

このシステムが診断医に与える影響について尋ねたところ、スラン博士はこう答えた。「私は人間の能力を増幅することに興味があります。近代農業は原始的な農法を一部排除したとおっしゃいましたか？その通りです。しかし、農産物を生産する能力も拡大しました。近代農業のすべてが良いというわけではありませんが、より多くの人々に食料を供給することはできます。産業革命は人間の体力を増幅しました。携帯電話は人間の発話を増幅しました。ニューヨークからカリフォルニアの人に大声で言うことはできませんが（私たちは遠く離れた場所で話します）、手に持ったこの長方形のデバイスは、人の声を 3,000 マイルも運ぶことができます。携帯電話は人間の声に取って代わるのでしょうか？いいえ、携帯電話は拡張デバイスです。認知革命は、コンピューターが同じように人間の心を増幅することを可能にします。機械が人間の筋肉を 1,000 倍強くしたのと同じように、機械は人間の脳をより強力にします。」スラン博士は、これらのディープラーニング機器が皮膚科医や放射線科医に取って代わることはないと主張した。専門家の能力を高めるために専門知識と支援を提供します。

5

トロント大学のコンピューター科学者ジェフリー・ヒントン博士は、臨床医学における学習機械の役割に関してはそれほど寛容ではなかった。彼の高祖父であるジョージ・ブールは、デジタルコンピューティングの基礎となるブール代数を発明したため、ディープラーニングの父として知られています。ヒントン博士は 1970 年代後半からディープラーニングの研究を続けており、彼の教え子の多くが現在この分野の専門家になっています。

[[187423]]

▲コンピューター科学者ジェフリー・ヒントン博士（写真提供：トロント大学公式サイト）

ヒントン博士は私にこう語った。「放射線科医は、崖っぷちに立たされ、逃げ道がないことに気づかない漫画のワイリー・コヨーテのような存在だと思います」。乳房や心臓の画像診断には、ディープラーニング製品がすでに利用可能だ。ヒントン博士はかつて病院で、「5年から10年後にはディープラーニングが放射線科医を追い抜くことは明らかだ。今、放射線科医の養成を続けるべきではない」と率直に述べたことがある。

放射線科医のアンジェラ・リグネリ・ディップル医学博士にこの難しい質問をしたところ、彼女は診断放射線科医の役割は病気のカテゴリーについて単に「はい」か「いいえ」を述べるだけではないことを指摘しました。脳卒中の原因となった塞栓の場所を見つけるだけでなく、血液凝固薬を使用した場合には悲惨な結果を招くような、他の部位の少量の出血にも気付くことがあります。また、無症状の腫瘍を偶然発見することもあります。

[[187424]]

▲ジェフリー・ヒントン博士は、「Wrong Heart Wolf」の状況は現在の放射線科医の状況と多少似ているかもしれないと考えている（写真提供：The Fiscal Times）

ヒントン博士は、今や挑発的な発言をする資格を得ました。自動化医療の将来に関する彼の予測は、単純な原則に基づいています。「ディープラーニングは、膨大な量のデータの分類問題を解決できます。将来、ディープラーニングのアプリケーションは何千も存在するでしょう。」彼は、学習アルゴリズムをさまざまなX線、CT、MRI画像の読み取りに適用したいと考えています。これには短期的な応用価値もあります。将来について、彼は「学習アルゴリズムは病理診断に使われるようになるだろう」と述べた。パップスミア検査を読んだり、心音を聞いたり、精神病患者の再発を予測したりするようになるかもしれない。 「将来、放射線科医の役割は、よく訓練されたハトが行えるような知覚的な作業から、より認知的な作業へと進化するだろう」とヒントン博士は語った。

ブラックボックス問題についても議論しました。コンピューター科学者たちが研究に取り組んでいる一方で、ヒントン博士はブラックボックスを開いて、これらの強力な学習システムが何を知っていて、どのように考えているかを理解しようとすることの難しさを認識しています。しかし、彼はブラックボックスは私たちが受け入れることができる問題だと信じています。 「野球選手と物理学者がボールがどこに落ちるかを調べているところを想像してみてください」と彼は言いました。「野球選手は方程式を知らないかもしれませんが、ボールを何百万回も投げているので、ボールがどのくらい高く飛ぶか、どのくらいの速さで飛ぶか、そして地面のどこに落ちるかを正確に知っています。物理学者も方程式を解くことで同じことを計算できます。しかし、最終的なポイントはまったく同じです。」

前世代のコンピューター支援検出・診断はマンモグラフィーでは十分な性能を発揮しなかったと述べました。ヒントン博士は、いかなる新しい技術も厳格な臨床試験を通じて評価される必要があることを認めた。しかし彼は、新しいインテリジェントシステムは間違いから学び、時間をかけて改善するように設計されていると強調した。 「私たちは、すべての誤診（例えば、最終的に肺がんになった患者の記録）を記録し、そのデータを機械に再入力するシステムを構築しました。機械に、ここでは何を間違えたのか、診断を改善できるか、と尋ねることができます。医師が誤った診断を下し、患者が 5 年後にがんになった場合、現在の医療システムでは医師に修正方法を日常的に指示することは困難です。しかし、私たちはコンピューターにこれを正確に行うように教えるシステムを構築できます。」

いくつかの野心的な機械学習アルゴリズムは、自然言語処理（患者の医療記録の読み取り）、百科事典の知識、ジャーナル文献、医療データベースを統合したいと考えています。マサチューセッツ州ケンブリッジのIBM Watson HealthとロンドンのDeepMindは、どちらもそのような包括的なシステムを構築したいと考えています。私はこれらのシステムのいくつかのパイロット版のデモを見たことがありますが、多くの機能、特にディープラーニング コンポーネントはまだ開発中であることがわかりました。

ヒントン博士は、自身の経験もあって、診断におけるディープラーニングの将来に魅了されています。アルゴリズムを開発している間に、彼の妻は進行した膵臓がんと診断されました。息子は悪性黒色腫と診断されたが、生検の結果、それほど悪性ではない基底細胞癌であることが確認された。ヒントン氏はため息をついてこう言った。「まだ学ぶべきことはたくさんあります。早期の正確な診断は些細な問題ではありません。もっと改善できるはずです。機械に助けてもらうのはいかがでしょうか？」

6

3 月の寒い朝、スラン医師とヒントン医師の診察を受けてから数日後、私はマンハッタンの 51 番街にあるコロンビア大学皮膚科クリニックを訪れました。主治医のリンジー・ボルドーネ医師は、その日に49人の患者を診察する予定だった。 10時になると待合室は人でいっぱいになりました。 60歳くらいの髭を生やした男が、首の発疹にタオルを巻き付けながら隅に座っていた。不安なカップルが集まってタイム誌を読んでいた。

[[187425]]

▲主治医リンジー・ボルドーネ医師（写真提供：コロンビアドクターズ）

ボルドーネ医師は一連の患者を素早く診察した。蛍光灯の灯る部屋の奥で、看護師がコンピューターの前に座り、「50歳、病歴なし、皮膚に新たな疑わしい斑点あり」と概要を説明した。その時点で、ボルドーネ医師が金髪をなびかせながら診察室に駆け込んできた。

30代の若い男性の顔に、鱗状の赤い発疹ができました。ボルドーネ医師は彼を光の下に引き寄せ、手持ち式の皮膚鏡で彼の皮膚を注意深く検査した。その間、彼の鼻からは皮膚のかけらが落ちていた。

「フケは出ているの？」と彼女は尋ねた。

男は困惑しながら「もちろんです」と答えた。

「まあ、それは顔のフケです」とボルドーネ医師は彼に言った。 「これはもっと深刻な状況です。しかし、なぜ今このようなことが起きているのか、そしてなぜ悪化しているのかが問題です。最近、新しいヘアウォッシュ製品を使いましたか？家庭内で何か異常なストレスを感じていませんか？」

「確かにプレッシャーはある」と彼は語った。彼は最近職を失い、財政に影響が出ました。

「日記をつけましょう」と彼女はアドバイスします。 「これらの人生の変化につながりがあるかどうかを判断できます。」

隣の部屋では、若いパラリーガルが頭皮にかゆみのある隆起がありました。ボルドーネ博士が頭皮に触れたとき、彼はひらひらしました。彼女は「脂漏性皮膚炎」と言って、試験は終わった。

別の部屋で、女性が脱いで病院のガウンを着ています。彼女は黒色腫を患っており、現在、再発を防ぐために積極的に検査を受けています。ボードネ博士は、各スポットを1つずつ見て、彼女のスキンを注意深く調べました。 20分かかりましたが、彼女は徹底的で、ほくろと皮のタグの上を指で走らせ、指が動いたときに判断を出しました。モルと角膜はありますが、黒色腫や癌はありません。 「すべてがよさそうだ」と医師は喜んで結論付けた。女性患者は安reliefのため息をついた。

それだけです：ボードネ博士が入り、見て、診断を下します。彼女は、ヒントン博士が説明した曲がったオオカミのようなものとして出くわしますが、トレッドミルに追いつこうとしているように患者の連続を見ているわずかにmanったロードランナーのようです。彼女が奥の部屋で注文を書いたとき、私は彼女が診断のビジョンについてどう思うか尋ねました。スルン博士は説明しました。ボードネ博士のようなフルタイムの皮膚科医。おそらく、生涯に200,000件のケースが表示されるでしょう。 Stanford Machineのアルゴリズムは、3か月で130,000件近くの症例を吸収しました。そして、患者とゼロから始めなければならない新しい皮膚科の住民とは異なり、スルン博士のアルゴリズムは常に吸収、成長、学習することができます。

[[187426]]

▲医師は、すべてを簡単に扱うことができる鳥ですか、それとも崖から落ちようとしている曲がったオオカミですか？ （画像出典：Geek.com）

ボードネ博士は肩をすくめた。 「より正確な診断を下すのに役立つなら、私はそれを歓迎します」と彼女は言いました。

これは医師からの合理的な反応のように聞こえます。私は、スラン博士が行った心強いコメントを考えています。マシンは単に人間の能力を高めるということです。しかし、機械がますます学ぶにつれて、人間はますます学ぶことが少なくなりますか？両親は長い間心配しています。子供が携帯電話にスペルチェック機能があるときに綴りを学ぶのをやめたらどうでしょうか。この現象は「自動化バイアス」と呼ばれます。自律的な運転は人々を警戒しないようにし、同じことが医療自動化にも当てはまります。おそらく、ボードーン博士は、蒸気訓練が導入される前の孤独なジョン・ヘンリー氏のようなものです（蒸気訓練を克服する力を持っていたが、心臓の圧力が過剰になったために競技中に死亡したアメリカの民話の悲劇的なヒーロー）。しかし、彼女は患者を治療していたときに完全に集中し、すべての皮膚タグとほくろを指で慎重に調べていました。これらは見逃せない健康診断の詳細でした。彼女がマシンで働いていれば、これは引き続き事実であるでしょうか？

また、ボードネ博士と彼の患者との相互作用の他のパタ​​ーンにも気付きました。一つには、患者は医師に診てもらった後、ほとんど常に気分が良くなります。彼らは触れられ、医師によって慎重に検査され、医師とコミュニケーションをとることができます。医師が話す「モール」や「角膜」のような病変の名前でさえ、皮膚軟化剤のようなものです。これは深い癒しのプロセスです。黒色腫の歴史とのフォローアップの検査のために来た女性は、病院を健康でストレスのないように見せ、不安は解放されました。

一方、ブラジルの研究者が推測したかもしれないように、診断の瞬間はボードネ博士にとって即座の認識の1つでした。彼女が「皮膚炎」または「湿疹」と言うと、まるで彼女がサイを特定しているかのようになります。彼女の脳の底にある錐体ニューロンが病気を認識するにつれて明るくなるのを見ることができます。しかし、訪問はそこで終わりませんでした。ほぼすべての場合において、ボードネ博士は根本的な原因を探るのに多大な時間を費やしています。なぜ症状が発生するのですか？圧力ですか？新しいシャンプー？誰かがプールの塩素を交換しましたか？なぜ今病気が起こっているのですか？

私は突然、臨床診療の最も強力な部分は「それが何であるかを知る」ことや「それがどのようであるかを知る」ことではなく、病気の事実を習得したり、病気の形成を認識したりしないことに気付きました。しかし、知識の3番目の領域：その理由を知る。

[[187427]]

7

説明は浅いまたは深い場合があります。あなたが熱い鉄に触れたので、あなたの指に赤い水疱が現れます。スカルドがプロスタグランジンとサイトカインの炎症カスケードを引き起こすため、赤い水疱が指に現れます。これは、私たちがまだ完全には理解していない規制プロセスです。理由を知っている - なぜ私たちが説明を得るかを尋ねることが医学的な進歩を促進します。ヒントン博士は、野球選手と物理学者の比phorに言及しています。診断医が機械であろうと人間であろうと、彼らは熟練しているが困難な野球選手のようなものです。医学研究者は物理学者のようであり、臨床分野の1人の理論家、野球場のもう1人の理論家であり、どちらも「なぜ」を知りたがっています。このような責任の分割は非常に単純ですが、損失をもたらすでしょうか？

「ディープラーニングシステムには説明力がありません」とヒントン博士は率直に言った。ブラックボックスはその理由を調査できません。実際、「深い学習システムがより強くなるほど、より多くの機能が抽出されます。

しかし、腫瘍学の分野における医学的進歩は、しばしば熟練した実践者によって推進されるだけでなく、好奇心and盛で洞察に満ちた研究者によってもたらされることがわかりました。実際、過去数十年にわたって、野心的な医師は野球選手と物理学者の役割を果たすために一生懸命働いてきました。彼らは症状を通して病気の生理学的原因を理解しています。皮膚病変の非対称境界が黒色腫を予測するのはなぜですか？なぜいくつかの黒色腫が自発的に退化し、時には白い皮膚のプラークが現れるのですか？実際、臨床医の観察結果は、最終的に今日の臨床診療において最も効果的な免疫薬の発明につながりました。皮膚のホワイトニングは、黒色腫を治療できる免疫反応の結果です。この一連の発見は診療所で始まりました。ますます多くの臨床慣行がますます不透明な機械学習システムに格下げされている場合、2つの形の知識と明示的な2つの形式の間の毎日の自発的な親密なつながりが、それを知ること、それを行う方法を知り、その理由を知る - 私たちはより巧みになりますが、ますます熟練する必要がありますか？

コロンビアの皮膚科局長のデイビッド・ビッカーズ博士と話をしました。彼は、「私は博士スルンの記事を読もうとしました。その背後にある数学的計算はわかりませんが、そのようなアルゴリズムは皮膚科医学の実践を変えるかもしれません臨床医の代わりに医学の分野は技術者を育てますか？」

これについて言えば、彼はその時を見て、患者が待っていたので、立ち上がって去った。 「私は生涯診断者であり科学者でした。依存患者が悪性病変と良性病変を区別する能力に依存していることを知っています。また、医学的知識は診断から来ていることを思い出させます。機械学習アルゴリズムは、将来の「区別」能力を「区別する」ことでのみ優れています - ほくろと黒色腫を区別して識別します。ただし、オールラウンドの認識は、タスク中心のアルゴリズムを超えています。医学の分野では、おそらく究極の報酬は依然として全体的な認知に依存しています。