> 健康・美容チェック > 糖尿病 > 機械学習を活用した電子カルテデータの解析により、糖尿病治療薬の効果を予測・比較する技術を開発｜日立製作所
■機械学習を活用した電子カルテデータの解析により、糖尿病治療薬の効果を予測・比較する技術を開発｜日立製作所
by innovate360（画像：Creative Commons）
電子カルテデータの解析により、糖尿病治療薬の効果を予測・比較する技術を開発
（2017/11/6、日立製作所ニュースリリース）
患者への投薬開始から90日後の時点で、糖尿病の代表的な指標であるHbA1c値の低減目標（治療目標）を達成できる確率を、薬の種類別に計算し、予測することで、患者にとって最も治療効果が高いと見込前れる薬の選定を支援可能です。
日立製作所は、ユタ大学が有する約9000症例の糖尿病患者の電子カルテデータのうち、約6800症例のデータを基に、機械学習を活用し解析することで、糖尿病治療薬の効果を予測し、比較する技術を開発したそうです。
今回、その技術を残りの約2200症例の糖尿病患者のデータに適用してシミュレーションしたところ、90日後の糖尿病の治療結果を高精度に予測できることが確認できたそうです。
以前、過去の糖尿病患者のビッグデータを用いて、新たな患者の症状の進行や薬の効果を予測するシステムを開発｜国立病院機構長崎川棚医療センターと富士通などでは、国立病院機構長崎川棚医療センターと富士通など、過去の糖尿病患者の治療経過を集めたビッグデータを用いて、新たな患者の症状の進行や薬の効果を予測するシステムを開発したというニュースを紹介しました。
今回発表された技術はその考え方に近いものであるようですね。
■医療に関するビッグデータをテクノロジー（AIや機械学習、ディープラーニングなど）で解析するシステム
最近では、医療に関するビッグデータをテクノロジー（AIや機械学習、ディープラーニングなど）で解析するシステムに関する発表が相次いでいます。
テクノロジーと医療分野のトレンド｜ウェアラブルデバイス・健康アプリ・医学研究｜メアリー・ミーカー（MARY MEEKER）レポートで紹介したレポート（スライド300）によれば、インプットのデジタル化の増加によって、医療データは年間成長率は48％となっているそうです。
また、レポート（スライド302）によれば、インプットされるデータ量が増えていくことで、科学論文引用が増加しており、医学研究・知識は3.5年ごとに倍増しているそうです。
以前取り上げたIBMの「WATSON」によってがん治療がスピードアップする！？によれば、医療従事者は、膨大な数の情報（最新の医療研究、論文、医療データ、患者の医療記録）を取り扱っていて、すでに人の頭脳では把握することができないほどなのだそうです。
そこで、注目を集めているのが、人工知能で医師や患者をサポートするシステムであり、その代表的なものがWatsonです。
Watsonは膨大な量の医療データや論文などのデータベースが格納されており、患者のデータを高速で解析し、医療データを照らし合わせることで、患者に最も最適と思われる治療方針を提案することで、医師や患者が意思決定の支援をするシステムです。
現在でも様々ながんの治療法（外科手術、抗がん剤による化学療法、放射線治療など）があります。
そして、がんの遺伝子を解析して患者ごとの診断を行い、がんを引き起こす特定の変異細胞を狙った治療ということも実現しています。
しかし、がんと立ち向かうことは、時間との闘いなのですが、がんの遺伝子を解析して患者ごとの診断を行い、治療方針を決める際には、専門の医師によるチームでも数週間という長い時間を要してしまうのが現状です。
Watsonを活用することで、遺伝子情報の解析、医療データや論文などと照らし合わせる作業の時間短縮が可能になります。
今後は、テクノロジー（AI、機械学習、ディープラーニングなど）による解析が低価格で行われるようになることによって、蓄積されるデータの量が増え、またそれに合わせて医学論文などの文献も飛躍的に増加するため、ますますコンピュータの力を活用することが重要になってくることでしょう。
そして、テクノロジー（AI、機械学習、ディープラーニングなど）を活用した画像認識による病気診断システム同士をつないだり、研究結果から得られた知見をつなぎ合わせるプラットフォームが必要になってくるのではないでしょうか。
「DIAMONDハーバード・ビジネス・レビュー 17年8月号 (ブロックチェーンの衝撃)」によれば、別のシステムを結び付けるという仕組みによる脆弱性について書かれてあります。
複数のビットコイン取引所がハッキングされてビットコインの評判を落としたが、この事例で明らかになったのはブロックチェーン自体の脆弱性ではなく、複数の当事者がそれぞれ別のシステムを結び付けてブロックチェーンを使うという仕組みの脆弱性だった
医療ビックデータ解析にテクノロジーを活用する場合の共通のプラットフォームがあれば、お互いの知見同士を活用しあえるようになり、さらなる発展が期待できるのではないでしょうか？
【関連記事】
■コンピュータが出した答えに対して、人間が後付けで理論や因果関係を考えていく
もう一つ必要になるのは、AI自身がデータからルールと知識を獲得していき、なんとなくの答えを出すというのがディープラーニングの特徴であるのですが、人間はそのなんとなくの答えに後付けで理論をつけていく必要があるため、この分野が重要になってくると思われます。
ディープラーニングとはそもそも何なのでしょうか？
「コンテンツの秘密」（著：川上量生）では、ディープラーニングのことをこのように説明しています。
ディープ・ラーニングとは、簡単に説明すると、なにかを学習するときに、いちどに全部を学習するのではなく、基礎から応用へと何段階かに分けて学習するような学習方法のことです。
ディープ・ラーニングとは、多くの段階に分けて学習を行うことのようですが、具体的にはよくわかりません。
天才プログラマーが予測する｢AIが導く未来｣ 人間の｢なんとなく｣は合理的に判断される
（2017/8/24、東洋経済オンライン）
言い方を変えると、今までのコンピュータによる最適化の能力では、答えは基本的に1つしかない。それがディープラーニングだと、答えがそもそもないのです。「確たる答えはないけど、なんとなくこう」っていうのがディープラーニングです。
人工知能の動向（2016/3/17、NRI）では、機械学習とディープラーニングの違いについて次のように紹介しています。
参考画像：人工知能の動向（2016/3/17、NRI）
従来の機械学習とは、人間が特徴を定義するため、複雑な特徴を表現できないという弱点があります。
ディープラーニング（深層学習）とは、機械学習の手法の一つで、人工知能が学習データから特徴を抽出、つまり、AI自身がデータからルールと知識を獲得していく方法です。
Machine Learning and Human Bias｜YouTube
機械学習において重要なことは、多くの学習データを用意することなのですが、例えば、Googleは、機械学習用データを集めるために、落書きをしてもらうサービスを提供しています。
【参考リンク】
ビッグデータとは何か｜平成24年版情報通信白書｜総務省によれば、ICT（情報通信技術）の進展により、多種多量なデータ（ビッグデータ）を生成・収集・蓄積することが可能になったのですが、このことも機械学習が注目されるようになった背景としてあります。
ディープラーニングは「音声認識」「画像認識」「言語処理」などで用いられていて、画像認識に関しては、例えばECサイトでの商品画像による商品検索に活用されているそうです。
参考画像：人工知能の動向（2016/3/17、NRI）
電王・Ponanza開発者が語る、理由がわからないけどスゴイ“怠惰な並列化”
（2016/10/26、ASCII.jp）
体感で言えば、LazySMPは実はプログラマーには人気がない手法です。なぜかと言えば、前述のように結局のところどうしてうまくいくのか、その正確なところがプログラマーにはわからないからです。ディープラーニングも本質的にどうしてうまくいくのかわかっているプログラマーがいません。あくまで将棋プラグラム業界では、という話ですが。
＜中略＞
近代科学は対象を分解して、理由を解明していくことで世界を解き明かしてきました。しかし、近年の情報科学は人間の解釈性が著しく悪いアルゴリズムが時代の先端を走り始めています。要素を分解していっても、そこに本質を発見できていないのです。人間にはある程度以上の複雑な挙動がわからないのです。
このように、答えや本質的にうまくいっている理由はわからないけど、うまくいっているということだけはわかるということがこれからは多くなってくるでしょう。
自分の理解を上回ってしまったときに、それをコントロールすることができないため選択しないという人もいるでしょうし、理由はわからないけどうまくいっているのだからやってみようという人もいるでしょう。
電王・Ponanza開発者が語る、“自転車置き場の議論”に陥った指し手生成祭り
（2016/11/29、ASCII.jp）
人間は難しい問題に直面してしまった時、簡単な切り口を探しがちです。それ自体はまったく間違った行為ではないのですが、いつまでも簡単な切り口を求め続けることは必ずしも正しい判断ではないでしょう。人間はわからない状態をわからないままにしておくことにもストレスを感じ、わからないところに無理やり理由をつけようと考えるのが常です。
難しい問題の時には議論が起こらないのに、自分の理解ができる問題の時には議論が白熱するようなことを「パーキンソンの凡俗法則」や「自転車置き場の議論」という呼び方をするそうですが、これからは、「わからない」「理解できない」ことに対して、安易に答えを出すことなく、あきらめずにわからないままの状態で真正面から向き合い続ける姿勢が重要になってくるのではないでしょうか。
まずは理解できない自分を認め、それでもそれに向き合い続けることが、現代科学を理解して紐解く鍵となるでしょう。理解できると傲慢になるのではなく、理解できないと空虚に走るでもなく、ただ見えないものを見ようとし続けることこそが、唯一この先を見る方法になると私は信じています。
わからないまま向き合い続けるというのはストレスがかかることかもしれませんが、これから先の未来では必要な資質となるのではないでしょうか。
「AlphaGo Zero」は、過去の打ち手のデータで強化学習をするのではなく、囲碁の基本ルールだけを教えて、対局を繰り返す（3日間で500万回の対戦）ことで上達し、トップ棋士を破ってきた「AlphaGo」に対して、100勝0敗という結果を出したそうです。
■まとめ
病院の診断支援システムにAIが導入されたとして、「因果関係はわからないけど、あなたはこういう病気の可能性が高い」といわれたときに、医師や患者はどう判断するのでしょうか。
どんなに医療にAIを活用しようとしても、医師や治療を受ける患者がその判断に疑いを持てば、利用することはできません。
つまり、AIに対する信用度を高めていく必要があるわけです。
今後は、「因果関係はわからないけど、こうである可能性が高い」ということが増えていくことが予想されますが、心理的障壁などを一つ一つクリアしていくことが医療とAIの未来にとっては重要になってくるのではないでしょうか。
【日立 関連記事】
続きを読む 機械学習を活用した電子カルテデータの解析により、糖尿病治療薬の効果を予測・比較する技術を開発｜日立製作所 →
