病気の多様性や医師の潜在的疲労による臨床意思決定の質低下を防ぐため、AIによって医⽤画像を解析し、人々が健康かつ笑顔で暮らせる社会を実現するMedical Imagingの研究開発は近年盛んとなった。特に最先端のDeep Learningは高いポテンシャルを有し、糖尿病による目の病気の識別・CT画像を用いた余命の予測など、専門医と同等かそれ以上の診断精度も出しつつある。
しかし、こうした研究成果は限定的で、臨床応用はなかなか進まずにいる現状だ。その理由としては、臨床的意義や解釈、データ取得、医療AIの商業性、AIに対する不安といった、技術・資本・人間にまたがるAI側と医療側のギャップが大きい。そこでこれらを打開し、より多くの病気や状況に対応するAI、5年後の臨床現場にフィットする医療AI創りに向けて、AI専門家（Medical Imaging）と医師と医療・情報学にまたがるジェネラリストたちが集う。

5年後の臨床現場にフィットする医療AI創りに向けたこのWorkshopを通じて、医療側とAI側には認識のギャップがあることと、これらを埋めるための具体的手段が分かったので、非常に有意義だった。たとえば、医療側はAIが診断基準を上手く説明できないことを不安視していたが、AI側からは別システムや医師と比べ、AIにだけ物差しが厳し過ぎるとの意見も。
解散前のアンケート調査によると、参加者全員、医療現場に導入されるであろうAIとどう向き合うかという、同じ問題意識を抱えていたようだ。当初Workshopへの期待として、「Medical Imagingの現状や最先端を学べる」を挙げたのは7人中3人だけなのに対し、より能動的期待である「医療AIの自分の仕事への影響を考えられる」「医療側とAI側のギャップについて知ることができる」「Medical Imagingの未来に貢献できる」「AI専門家・医師・ジェネラリストたちと交流できる」を挙げたのは6人・6人・6人・7人だった。また、全員その期待が満足されたようだ。今回共有された解決策については、「有用だと思う。このまま利用可能である」が3人、「有用だと思うが、改善の余地がある」が4人と、全員ポジティブではあるものの、技術だけに留まらない、システム全体や政治、資本といった壁を再認識する結果となった。
また、今回のWorkshop成果をなるべく多くの人に発信すべく、実際のWorkshopの様子を動画にしてYouTube、Workshopの成果を文章にまとめてnoteにそれぞれ公開した。これにより医療従事者やAI研究者、一般の人たちからフィードバックをもらったり、アウトリーチ活動を通じて実際の医療側とAI側のギャップを縮める医療AI創りに役立てることが期待される。

What are the intrinsic gaps between Artificial Intelligence (AI) researchers and Healthcare workers and how can we overcome them? Knowing these challenges and solutions is essential to develop medical AI within a clinical environment in 5 years; towards this, the workshop gathers 2 AI researchers in Medical Imaging, 2 physicians, and 3 generalists between Healthcare and Informatics, conducting 2 activities: a) Learning: Know the overview and status quo of Medical Imaging, along with its well-known challenges and solutions; b) Thinking: Find the intrinsic gaps and solutions between AI researchers and Healthcare workers, sharing the common and different thinking/working styles in each field.

Through this workshop, we identify that the main gaps consist in i) the clinical meaningfulness and interpretability of medical AI, especially in diagnosis, to persuade both physicians and patients; ii) the commerciality of medical AI to introduce it into hospitals; iii) the robustness of AI regardless of variance among scanners/individuals to trust computer-assisted diagnosis; iv) the acquisition of medical data and their annotation despite severe ethical reviews and changing diagnostic criteria in Japan.
For i), we can use Medical Imaging for alerting the risk of overlooking the diagnosis in a clinical environment, rather than replacing physicians, especially during medical examination. Regarding ii), medical machine manufacturers (e.g., X-ray) can introduce AI into their machines or hospitals can exploit AI to reduce staff. Concerning iii), we can generally prioritize sensitivity over specificity to alleviate overlooking the diagnosis and combine medical images with other medical data, such as white blood cell count. iv) can be alleviated by data augmentation and domain adaptation techniques, along with compiling a database of electronic medical records.

執筆者：韓 昌熙（AI/Medical Imaging 研究者）
東京大学大学院・情報理工学系研究科 博士課程
国立情報学研究所・医療ビッグデータ研究センター リサーチ・アシスタント（RA）
国立国際医療研究センター病院・放射線診断科 客員研究員