人工知能を活用した診断・治療の現状と戦略に関する研究

1. はじめに

わが国では毎年、さまざまな医療機関における診察や治療の総回数が70億回を超えており、医療資源の偏在や無理な配置構造などの問題があり、医療・健康業界はサービス需要からの大きな圧力に直面しています。医療情報化の急速な発展に伴い、電子カルテや健康記録の導入により、文書、表、画像、音声などのマルチメディア情報が大量に生成されるようになりました。医療プロセスを支援し、データを統合・分析するための人工知能技術の使用は、医療および健康サービスの能力を向上させ、医療資源の不足を解決する新たな機会をもたらしました。

2017年7月、国務院は「新世代人工知能発展計画」を発表し、インテリジェント医療分野における人工知能の応用を深め、人工知能による診断と治療の新しいモデルと方法を推進し、迅速かつ正確なインテリジェント医療システムを確立すべきであると言及した。人工知能技術は、大規模なオープン医療データのセマンティクスを分析、マイニング、理解し、医療セマンティックネットワークとナレッジセンターの自動構築を実現します。膨大な医学文献、症例データ、治療計画などを迅速に検索し、データ間の暗黙の関係性を解析することで、補助診断や治療、医薬品開発などの研究を行い、医療技術の進歩を促進します。医療画像をインテリジェントに分析することで、特徴を正確に抽出し、病変の位置を特定できるため、病気の予防と診断に役立ちます。さらに、音声認識、ビデオ理解、インテリジェントな質疑応答などの技術は、医療記録の記録支援、臨床ケア、リハビリテーション指導、自動医療指導など、多くの分野に応用できます。

医療情報と健康データの統合とオープンな共有を実現し、人工知能を使用して断片化された医療情報を整理・分析し、医療診断プロセスに支援を提供することで、医療と健康サービスを向上させ、政府の意思決定の合理化を促進し、医療と健康の資源の不均衡な配分の問題を解決できます。これは、医療分野における人工知能の最も直接的な応用であり、医療人工知能の開発の焦点でもあります。本稿では、健康医療情報におけるヒューマン・コンピュータ・インタラクション、データインテリジェンスにおける意味理解、医療画像分析を入り口として、補助診断・治療問題における人工知能の開発方向と現状について簡単に説明し、インテリジェント診断・治療技術の開発と応用における問題と課題について議論し、関連部門の意思決定サポートを提供します。

2. 医療情報の意味理解と画像解析の現状

現在、人工知能技術を用いた病気の臨床診断に関する研究は、主に2つの側面に焦点を当てています。1つは、膨大な量の医療データを分析・処理し、推論、分析、比較、帰納、要約、議論を通じて大量のデータから重要な情報を迅速に抽出し、患者の身体状態と病状に関する認知的結論を導き出すことです[1,2]。もう1つは、テキスト、音声、画像、ビデオなどのマルチメディア形式の診断データを分析・理解し、病気の特徴を掘り起こして区別し、診断と評価を行うことです[3]。その中で、医療情報の標準化された表現と構造化された統合は、ビッグデータの知能化手段に基づく補助診断を実現するための基礎であり、医療画像データは、病気の発現状態を正確かつ直感的に反映できる重要な診断基盤として、画像特徴抽出におけるディープラーニング技術の画期的な進歩と相まって、人工知能と補助診断が最も密接に融合する分野の一つとなっている。このセクションでは、医療情報の意味理解と医療画像解析の現在の研究状況から始め、人工知能支援による診断と治療の現在の開発状況を分析します。

1. 医療知識グラフと医療用語標準の構築

医療・健康の情報化の進展により、膨大な量の医療データが蓄積されています。元のデータ表現を自然言語に変換し、さまざまなソースからのデータを統合および精製し、標準化された情報を形成し、統一された構造を持つ情報ベースの医療アーカイブを確立することで、医療データの保存、整理、検索が容易になるだけでなく、人工知能技術との統合も容易になります。

ナレッジグラフは、インターネット上の大量かつ散在する情報を効率的に検索するというニーズを満たすように設計されたセマンティックネットワーク構造であり、大規模なデータやデータエンティティ間の関係性を強力に表現および管理する機能を備えています。多数の医療概念、エンティティ、関係、事実を統合することにより、エンティティ間の意味関係を効果的に表現できます。医療機関、医薬品、医療事例、健康モニタリングデータ、遺伝子データ、健康的な食事データ、運動データなどの関連データをグラフにリンクし、時間軸で拡張することは、人工知能支援による意思決定のための、パーソナライズされた動的でマルチモーダルで意味的に理解可能な健康および医療情報を構築するための基礎となります。ナレッジグラフに基づいて、効率的な情報検索とクエリを実行できるだけでなく、既存の情報に基づいた推論、暗黙の知識のマイニング、ポピュラーサイエンスクエリ、補助診断と治療、臨床意思決定、医薬品開発、インテリジェント医療ガイダンスなどの関連アプリケーションの研究を行うこともできます[4,5]。これにより、医師と病院の作業効率が向上し、階層化された診断と治療に対するインテリジェントな支援が提供されます。

現在、Google Knowledge Graph、Yago、DBpedia、Sogou「Knowledge Cube」など、一般的なナレッジグラフの応用は非常に広まっています。大規模ナレッジグラフの構築は、「オンライン百科事典」などの構造化データと半構造化データの統合に基づいています。エンティティ抽出、エンティティリンク、関係抽出、属性充填などの技術を使用して、絶えず生成されるさまざまなソースと形式からオープンな非構造化情報を抽出し、知識融合と知識検証を通じてナレッジグラフを拡張および更新します[6]。

ナレッジグラフの重要な垂直応用分野として、医療ナレッジグラフの開発は国内外で長い間注目を集めてきました。医療知識グラフは、医療知識の包括的な組織化に基づいて構築され、主要な医療知識と基本概念を厳密に定義し、権威ある正確な医療オントロジー記述仕様を形成し、さまざまな分野、専門分野、ソースからのデータの統合と検証を容易にし、臨床データのインデックス作成、医療情報の保存、検索、集約を容易にするセマンティック ネットワークを形成します。イェール大学は、神経科学知識ベースSenseLab[7]を統合することで、微視的な分子レベルから巨視的な行動レベルまでをカバーする脳科学知識グラフを構築し、神経科学分野における膨大な量の情報間のつながりを人間が理解し表現するのに役立っています。 SNOMED CT[8]は、国際保健用語標準化機構（IHTSDO）が管理する医療オントロジー知識ベースであり、31万以上の独立番号が付けられた医療関連オントロジーと136万以上のオントロジー間関係が含まれています。電子カルテ、遺伝子データベース、検査結果レポート、コンピュータ支援による医師の指示入力など、多くの分野で広く使用されています。 UMLS[9]は、米国国立医学図書館（NLM）によって構築された統合医療知識言語であり、100を超える統制語彙と分類システムを統合し、100万を超える生物医学概念と500万を超える概念名を収録しています。 UMLS は、異なる分野の異なる語彙のアプリケーションを結び付けます。クロス言語、クロスドメイン、ツールベースなどの特徴があり、情報検索、自然言語処理、電子医療記録、健康データ標準などで広く使用されています。

私の国では臨床用語の探求が遅れており、まだ完全かつ広く使用されている用語標準のセットが形成されていません。中国中医学科学院中医学情報研究所が開発したTCM言語システムには、12万以上の概念、60万以上の用語、127万の意味関係を持つ大規模な意味ネットワークが含まれており、TCM知識グラフを構築しています[10]。 しかし、このシステムは構築や配置が限られていたり、内容が不完全であったりするなどの問題があり、まだ広く利用されていない。さらに、国内の医療・健康分野の関連機関や個人が、業界の協力とオープンソースを通じて健康情報技術の標準化を実現するため、オープン医療健康アライアンス（OMAHA）の設立を主導しました。 2017 年 5 月、OMAHA は、クラウドソーシングのコラボレーションを通じて中国の医学用語の標準を構築することに特化した医療用語コラボレーション プロジェクトを立ち上げました。

2. 人工知能による医療画像解析

従来の機械学習による医療画像研究では、医師が指定した画像特徴に重点が置かれており、モデルは指定された特徴に基づいてしか判断できません。そのため、一般化能力が弱く、病気の進行度を分類することが困難です。ディープラーニングモデルは優れた画像特徴抽出機能を備えており、人間が区別しにくく、無視しやすい特徴を正確に抽出し、効果的に分析できるため、より高い精度を実現できます。

人工知能に基づく医療画像研究は、コンピューター断層撮影 (CT)、磁気共鳴画像 (MRI)、X 線、超音波、内視鏡検査、病理切片など、さまざまな種類の医療画像の分析を中心に展開され、肺、乳房、皮膚、脳、眼底病変などの疾患を研究します。一部の病気については、人工知能による診断と分析の精度が専門医のレベルに達しています。

網膜の「糖尿病網膜症」は糖尿病の典型的な症状です。 Google DeepMind Health チームは、網膜糖尿病網膜症の分類にディープラーニング モデルを適用しました。網膜眼底画像内の病変を正確に検出することで、糖尿病黄斑浮腫の程度を等級付けし、被験者に病気の早期警告と診断を提供しました。研究チームは、12万8000枚の網膜眼底画像を使用してディープラーニングモデルをトレーニングし、テスト中に97.5％の感度と93.4％の特異度を達成し、判断精度はプロの人間の医師に匹敵しました。

医療画像を分析する人工知能技術の活用に関する国内研究も成果を上げている。眼科センターが開発した人工知能診断プラットフォーム[11]は、ディープラーニングモデルを使用して先天性白内障を検出し、混濁領域、水晶体の深さと位置という3つの指標を使用して患者の白内障発症リスクの評価を行い、診断結果に基づいて眼科医が治療決定を下すのを支援します。実験を通じて、先天性白内障の診断精度は98.87％に達し、3つの指標（混濁面積、深さ、位置）の精度率はそれぞれ93.98％、95.06％、95.12％でした。意思決定支援の面では、医師へのアドバイス提供の正確率は97.56％に達しました。

現在、ディープラーニングに基づく医療画像解析は、主にディープラーニングモデルの画像特徴抽出能力を利用して病変領域の特定と疾患分類を完了します。こうした技術は高い精度を達成できるものの、その結果には判断の根拠が記述されていないため、人間の医師の考えと組み合わせて実用化することが難しい。 そのため、医療画像解析では、人間の思考ロジックと一致する解析結果を得るために、注意メカニズム[12]などの技術をさらに組み合わせる必要がある。

スタンフォード大学が提案したCheXNet深層畳み込みニューラルネットワークモデルは、胸部X線写真を使用して肺炎患者の状態を判断するモデルの解釈可能性を考慮しています。このモデルは、DenseNetディープニューラルネットワークモデルを使用して画像の特徴を分析します。胸部X線写真を診断の根拠として用いる場合、人間の医師の平均レベルを超える精度を持つだけでなく、モデルの各ピクセルにおけるさまざまな画像特徴の重みの合計を計算することで、分類決定における各画像位置の重要性を測定し、意思決定プロセスを説明し、人間の医師が患者の状態を理解するのに役立ちます。カーネギーメロン大学のXing Bo教授のグループは最近、異常領域を正確に特定して要約するための協調的注意メカニズムを導入したマルチタスク協調フレームワークを提案しました。画像の内容をラベルで記述するだけでなく、階層型長短期記憶（LSTM）モデルを使用して長いテキスト形式で医療画像解析レポートを生成し、テキスト記述を通じて解析結果を記述・説明する[13]。

医療画像から直接特徴を抽出して病気を予測・診断するだけでなく、画像を使って人体構造の3次元モデリングを行ったり、人体内の内視鏡ロボットなどの微小診断機器の位置を特定したり識別したりすることも可能となり[14,15]、より豊富な医療データを収集する方法を提供します。教師なし学習やその他の方法を使用して医用画像の特徴を抽出し分析することで、データ注釈への依存を減らし、現在の医用画像研究の重要な部分でもある医用画像分析プロセスを容易にすることができます[16]。さらに、現在の主要な医療画像研究は、画像データそのものにのみ焦点を当てています。膨大な医療知識を活用して、マルチモーダルなデータ収集と分析を構造化された知識推論と組み合わせたインテリジェントな診断および治療モデルを構築することが、医療画像分析の将来の発展方向の 1 つになるでしょう。

3. 我が国における人工知能支援診断の開発における困難と課題

1. 医療情報化の程度

人工知能技術は主にデータ駆動型であり、完全な内容と統一された構造を備えた医療健康ビッグデータの構築は、医療診断と治療の分野における人工知能の研究に強力なサポートを提供し、インテリジェント診断と治療技術の応用と推進にも役立ちます。

近年、我が国は医療情報化のレベルを総合的に向上させるために多大な努力を払ってきました。 2010年以来、国庫はさまざまな地域で医療情報化の構築を強化し、国家、省、地域の健康情報プラットフォームの構築を促進するために、何度も資金を割り当ててきました。現在、わが国の地域医療情報カバー率は比較的高く、コンピュータインフラは基本的に広範囲にカバーされており、省市立病院は基本的に包括的な情報管理を実現しています。しかし、人工知能支援医療という新たな状況に対処するには、依然として多くの問題があります。一方では、異なる地域や機関の間で医療情報化の発展度合いに大きな差があり、情報化を利用して医療と健康の問題を解決するスキルとアイデアが効果的に普及していません。他方では、機関間の医療情報化プラットフォームの調整が不十分で、異なるプラットフォームとバージョン間の標準化された情報交換インターフェースが不足しています。機関間の情報交換はスムーズではなく、医療データの統一的な管理と長期保存が不足しています。さらに、医療情報の生成プロセスと品質の制御も、人工知能関連技術の応用の深さを制限しています。専門的な病気、新薬の研究開発、公衆衛生の意思決定のためのインテリジェントな支援分析と意思決定のための共有、オープン、大規模、高品質の統合医療と健康のビッグデータを構築することは、重要かつ長期的な課題です。国家レベルの健康医療ビッグデータクラウドプラットフォームを構築し、データ市場を開放し、病院サービスから患者へのデータ返還の方法と手段、サービスプロセス標準、課金仕様を策定し、個別のアプリケーションと取引を通じて健康医療データの市場化の発展を推進し、新たなデータと情報の統合、知識の発見、サービス市場を開拓します。

2. 医療従事者の参加

標準化され統一された医療情報システムと正確で完全な内容のナレッジグラフを構築する場合でも、特定の疾患に対する補助的な診断および治療システムを設計して実装する場合でも、権威ある医学的知識と豊富な臨床経験が必要です。経験豊富な医師や医療専門家の参加と指導が不可欠です。しかし、現段階では、わが国は人口が多く、一人当たりの質の高い医療・健康資源が不足しています。一部の医師や専門家は、人工知能が診断や治療法に変化をもたらすことを期待していますが、臨床診断や治療に忙しく、関連する研究作業に参加するために多くのエネルギーを費やすことは困難です。したがって、この分野の迅速かつ健全な発展を促進するためには、分野横断的な協力組織とインセンティブメカニズムを改善し、対応するイノベーションセンターを設立し、新しい科学技術計画を展開し、効果的な「産学研」統合戦略を実施する必要がある。

3. 人工知能技術と医療機器の融合における課題

他の医療機器大国と比較すると、わが国の医療機器研究開発技術は依然として革新力が不足しており、コア技術開発能力が弱く、独自のコア技術は少なく、ローエンド製品は多く、主要部品は輸入に依存しており、ハイエンド製品は依然として模倣と改良が中心となっている[17]。ハイエンド医療機器の開発能力と独立した知的財産権の欠如により、国内のハイエンド医療機器に人工知能技術を関連付けて展開することが困難であり、情報の収集、分析、処理、統合保存のための統合情報ベースの医療システムの構築の難易度がさらに高まっています。医療機器の自主的な研究開発と生産能力が不足しているため、ハイエンドの医療機器や設備は輸入に頼っており、高価で、一次医療機関に十分に導入することが困難です。これは、現在医療用人工知能システムの推進と普及が直面している困難でもあり、わが国の医療産業のアップグレードと変革を制限しています。この分野の企業向けに的を絞った革新・発展戦略を策定し、企業がこの分野の優れた外国の伝統的医療機器メーカーの国境を越えた合併や買収を行うことを奨励し、医療機器と人工知能を組み合わせた製品に対して、課税、認可、補助金、等級病院による国産人工知能機器の調達などの面で関連する政策優遇を与え、我が国が最先端市場における新ラウンドの産業のリーダーとなることを支援します。

4. 人工知能を活用した診断・治療の開発に向けた提案

1. オープンで共有可能な健康・医療情報環境の構築

人工知能支援による診断と治療は、ビッグデータインテリジェンスに基づいています。医療と健康データの断片化の問題を解決し、データから知識へ、知識からインテリジェンスへの飛躍を実現し、データサイロを打破し、個人と医療機関を結びつけるクロスドメイン医療知識センターを確立し、オープンで相互接続された医療情報共有メカニズムを形成する必要があります。

まず、我が国は完全な中国の医療オントロジー知識ベースの構築に着手し、現在の主要な医療オントロジーの内容について統一的な記述基準を策定し、完全な分類とコーディングの記述方法を確立し、内容を管理し、定期的に修正と補足を行う必要があります。

第二に、異なるソースとタイプの医療データを統合し、統一された基準に従って、さまざまな医療分野、医療領域、医療機関、特定のアプリケーション向けの医療知識グラフを構築する必要があります。デジタル中国医療システムを改善し、情報ベースの医療セマンティックネットワークの構築を推進する必要があります。これに基づいて、医療概念クエリや文献検索などのツールを開発し、医療従事者に権威のある正確な医療情報クエリチャネルを提供する必要があります。

最後に、オープンで共有可能な健康・医療ビッグデータクラウドプラットフォームを構築する必要があります。各レベルの医療機関、さまざまな健康情報データソース、公共の医療・保健サービス機関からの情報を一元管理し、個人の健康記録、生体サンプル、遺伝子配列、医療、行動パターン、さらには生活環境などのデータの高度な統合を実現することが推奨されます。一方、既存の医療情報プラットフォームを基盤として標準化と改善を行い、データ形式と記述仕様を統一して、さまざまな機関やソースからの情報の保存と表現の標準化を実現する必要があります。標準化された情報インターフェースを使用して、さまざまな機関のデータを接続し、健康医療情報の管理構造を最適化し、健康医療情報システムのリアルタイムかつ同期的な更新を実現し、あらゆるレベルと機関間の健康医療情報共有ネットワークを実現します。

2. 人と機械を融合した新たな医療開発システムの構築

診断と治療のプロセスに人工知能を活用するということは、人工知能が医師に取って代わるということではありません。むしろ、生物知能と人工知能を組み合わせ、人間と機械を統合した新しい医療診断と治療システムを構築すべきです。認知モデルを使用して人工知能システムの知識を更新すると同時に、医療分野における人間の認知も向上します。

医療機器の面では、国産ハイエンド医療機器の研究開発を強化し、インテリジェント医療機器やスマートウェアラブルデバイスの研究開発を推進し、医療機器と情報ベースの医療データ管理プラットフォーム間のデータ接続を実現し、人工知能システムの導入を促進する必要があります。

医療従事者に関しては、医療従事者の思考力と能力を強化し、人工知能を活用して医療プロセスを支援し、従来の業務プロセスや習慣を変えるための医療情報人材育成システムを確立する必要がある[18]。同時に、医療従事者が人工知能と医学の融合に関する関連研究に参加することを奨励し、人工知能を医学の研究と理解のための新たな手段として活用し、医学理論の更新と発展を促進する必要がある。 最後に、従来の教育・研修モデルを改善し、高レベルの医療従事者の研修サイクルを短縮するために、医療・健康教育・研修プロセスに人工知能を適用する必要があります。

3.関連制度の策定・改善の推進

インテリジェント診断・治療システムの実用化は、関連する規制や基準に従って開発、製造、承認される必要があります。先進国と比較すると、わが国では医療情報産業の基本的な業界標準がまだ確立されておらず、インテリジェント支援診断・治療システムの開発と応用のための適切な業界規制システムも策定されていません。医療情報システムや人工知能システムについては、技術の進歩に合わせた業界標準を早急に策定し、関連システムや機器の市場志向の運用を制度的・規制的に支援する必要がある。