医者から「ビジネスを奪いたい」ですか?人工知能はこれら3つの大きな困難を克服しなければならない

10年以上が経過し、ディープラーニングは人工知能の発展の機会を提供してきました。並列コンピューティングの高速処理能力と大量データのトレーニングを組み合わせることで、人工知能は音声、画像認識、顔認識、言語翻訳、自動運転など、多くのシナリオに適用されてきました。

しかし、医療分野は上記のシナリオとは異なります。後者にはすでに大量のラベル付きデータがありますが、前者にはありません。アブラハム・バーギーズ医学博士は、この困難を克服するためには、人類は人工知能の潜在能力をさらに開発しなければならないと述べた。開発の鍵は、機械をラベル付きデータへの依存から独立させ、人間の脳の学習能力を備えさせ、ある分野の知識を別の分野に適用できるようにすることです。

さらに、人工知能は議論の余地があるものの、それがもたらす利点も非常に有望です。 Eric J. Topol 医学博士は、これらの利点がすぐに病院に多くの変化をもたらすだろうと考えています。

人工知能が直面する将来の課題

人間の学習スタイルを身につける

将来、人工知能は多くの課題に直面するでしょうが、その中で最も重要かつ決定的なのは、人間の学習方法をいかに獲得するかということです。

現在の人工知能の学習方法は「教師あり学習」であり、研究者は学習とトレーニングのためにラベル付けされたデータをプログラムに入力する必要があることを意味します。明らかに、「教師あり学習」は人間の学習方法ではありません。人間の学習方法は「転移学習」であり、ある分野の知識を、これまで触れたことのない別の分野に適用することです。

これこそが「学ぶ」ことの本当の意味です。ある限られた分野で学んだ知識を他の分野に応用できない場合、それはその分野の基本的な抽象的な概念を学んでいないことを意味します。

現在、人工知能は実際の環境ではなくコンピュータ モデルに大きく依存しています。研究者らは糖尿病網膜症を例に、コンピューターシミュレーションによる実験室環境で4セットの実験を実施し、診断データの精度は98%から99%と高かった。しかし、臨床試験に戻ると、精度は約 90% に低下しました。

コンピューターから実際の環境まで、元のデータセットの精度は低下傾向を示しています。人工知能の開発が教師あり学習の段階にとどまる場合、コンピューターシミュレーションデータと臨床データの間のギャップは将来さらに拡大するでしょう。

したがって、教師あり学習をいかに排除するか、つまり知識転移学習をいかに実現するかが、今後 10 年間で人工知能技術の画期的な進歩を達成するための鍵となります。

自然言語処理

2020 年、ほとんどの臨床医は患者と過ごす 1 時間につき 2 時間を電子医療記録に費やし、さらに毎晩 1 時間を電子メールに費やしています。

ヴェルゲーズ氏の見解では、人工知能と網膜症の診断において飛躍的な進歩が遂げられた今、医師の仕事が電子テキストによって絶えず中断されるという問題に取り組むべき時が来ている。彼は、人工知能における自然言語処理（NLP）技術が役立つかもしれないと考えています。

いわゆる自然言語は、実際には人間が使用する言語です。テキストの転写は、自然言語処理における進歩の 1 つです。

メラニー・ミッチェルは人工知能分野の専門家であり、『Artificial Intelligence: A Guide for Thinking Humans』の著者です。現在は、米国のサンタフェ研究所 (SFI) とポートランド州立大学に勤務しています。彼女の兄はかつて医療記録の筆記者で、医師の口述に従って医療記録を記録するのが日々の仕事だった。しかし現在、この仕事は自​​然言語処理システムに置き換えられています。

ミッチェル氏は、これは力ずくの統計が効果的なアプローチであることを証明したため、医学における大きな進歩だと述べた。自然言語処理システムは人間の言語を理解しないが、それを書き起こすことはできるため、「ブルートフォース」と呼ばれます。実際、異なる言語間の翻訳でも同じことが言えます。「ブルートフォース統計」手法を使用していても、優れた翻訳結果を出すソフトウェアは数多くあります。

しかし、「ブルートフォース統計」は自然言語処理技術の終わりではありません。ミッチェル氏は、IBM Watson テクノロジー プラットフォームのような真の自然言語処理テクノロジーが、人間の言語を真に理解することを含め、より多くのニーズを満たすことができると考えています。

出版されている医学文献をすべて読む時間がない場合は、IBM Watson が指定された文献を読んだ後に質問に答えることができます。これを実現するには、IBM Watson が文書の内容を理解する必要があり、テキストを「理解」することは翻訳や単純な転写よりもはるかに困難です。

ミッチェル氏は、この「理解」が何であるかはまだ不明だが、一つはっきりしているのは、「理解」は人工知能技術の本当の終着点ではなく、まだ遠いとさえ言えるということだと述べた。

複製危機

今年初め、中国の研究者らは、COVID-19と診断された患者の死亡率を90％以上の精度で予測できるモデルを発表した。モデルは、C 反応性タンパク質、リンパ球数、乳酸脱水素酵素という 3 つのマーカーを選択しました。

2020年12月中旬、ネイチャー傘下のネイチャー・マシン・インテリジェンス誌に、これまでの中国の研究を否定する米国、オランダ、フランスの研究報告3件が掲載された。研究者らは、自国で新型コロナウイルス感染が確認された患者を検査した結果、中国の研究における3つのマーカーに基づく死亡率の予測精度は50％未満であることを発見した。

これが「複製危機」です。複製危機は医学界で広く見られる問題です。コンピューター処理は手動処理よりも客観的なので、複製危機の解決はコンピューターに頼ることができると考える人もいるかもしれませんが、そうではありません。

コンピュータシステム、データ自体、データ処理にはさまざまな影響要因があります。研究者はコンピュータによってこれらの影響要因が排除されたと考えるかもしれませんが、研究者が予測できない影響要因もいくつかあります。したがって、他者の研究結果を再現することは非常に困難です。

現在、再現性の危機をできるだけ回避するために、一部の権威あるジャーナルでは、論文を発表する前に、研究がどのように行われたかを含め、研究データの詳細をすべて提供することを研究者に要求しています。

しかし、人工知能の分野では、AIの専門家は他の分野に属するトレーニングを受けておらず、科学的研究結果の再現不可能性を回避するための統計や手法を体系的に研究していません。そのため、「複製危機」は医療現場における人工知能の応用に対する新たな障害となっている。

人工知能と医療の融合の動向

「AIは多くの問題と脅威をもたらします。なぜまだAIを研究する必要があるのですか？」と疑問に思う人も多いでしょう。

ミッチェル氏は、こうした疑問はもっともだが、人工知能がもたらす利点、特に医療分野への応用が驚くべきものであることも否定できないと述べた。さらに、これらの利点はすぐに病院に多くの変化をもたらすでしょう。

トポル氏は、自然言語処理技術が発展し続けると、キーボードでテキストを入力する形式がまず医療分野から消えるだろうと述べた。キーボードがなくなることで、医師と患者は実際に会話をすることができ、一緒に過ごす時間が増えるでしょう。

長期的には、人工知能のデータとアルゴリズムは検証可能な領域を拡大し続け、最終的には複製可能になりますが、もちろん、人間の監督から切り離すことはできません。

AI は病院にもたらすメリットに加えて、他にも驚くべき可能性を秘めています。例えば、遠隔地の住民が都市部の住民と同じ医療サービスを受けることができ、高齢者が若者と同じ治療を受けることができ、運動能力が制限されている人が健康な人と同じ定期的なケアを受けることができ、遠隔医療などが可能になります。

さらに、将来的には人工知能アルゴリズムによって患者に対する敬意がさらに高まるでしょう。その時までに、患者のデータは医師や看護師だけが管理するものではないだろう。患者はデータ生成者として、センサー、電子医療記録、その他の手段を通じて自身の医療データを閲覧し、理解することもできます。

ミッチェル氏は、テクノロジーの焦点は常に「人」にあり、人工知能技術は医師の診断、治療、ケア能力を広げ、患者により良い医療サービスを提供するための補助ツールであると述べた。人工知能技術は医師に多大な助けを提供することができ、医療業界に脅威を与えることはない。