医療分野における生成AIの活用事例｜ブログ

医療分野での生成AI技術は日々進化しており、これらの技術は医療提供の質を向上させ、今まで難しかった治療や診断を可能にしていく事が期待されます。 ただ、AI導入が切実に必要とされる理由はそれだけではありません。 世界中で人口老齢化が進む中、慢性疾患の増加や医療サービスへの需要が高まっています。AIは医療資源の効率化やキャパシティの拡大を通じて、これらの課題に対応するための重要な手段となります。 とりわけ日本においては、医療費の増大が財政をひっ迫している中で、AIによる診断支援や治療計画の最適化は、不必要な治療や検査の削減、効果的なリソース配分につながり、医療コストの削減に寄与します。 現状、医師や医療スタッフの業務負担は重大であり、AIの導入によって繰り返しのルーチンワークやデータ解析などが自動化され、医師が本来の医療活動に集中できるようになります。 医療現場におけるAI応用の種類について 具体的に、医療現場ではAIはどのように活用されているのでしょうか。ここでは、実際に導入が進んでいるAIの活用方法をご紹介いたします。 精密医療（Precision Medicine） AIは遺伝子情報やライフスタイル、環境データなどを統合分析し、個々の患者に最適化された治療計画を提案します。これにより、治療の効果を最大限に高めることが可能です。 放射線画像解析（Radiomics） AIは放射線画像から、従来の医師の目では見えないパターンや特徴を抽出し、がんなどの病気の診断精度を向上させています。この技術は、より早期の発見やより正確な病期評価に寄与しています。 ロボット支援手術（Robotic Surgery） AIを搭載したロボットを用いた手術が普及しており、非常に精密な操作が可能となり、手術のリスクを低減し、回復時間を短縮します。これにより、患者の負担が軽減されます。 バイオマーカーの発見 AIは膨大な量の生物学的データから新しいバイオマーカーを発見することが可能で、これにより疾病の早期発見や治療応答の予測が行えるようになります。 ※バイオマーカーとは、ある疾患の有無や、進行状態を示す目安となる生理学的指標のこと 仮想病理診断（Virtual Pathology） AIを用いた病理診断では、病理スライドのデジタル画像を解析し、病理医の診断をサポートします。これにより、より迅速かつ正確な診断が可能となり、治病管理に大きく貢献しています。 治療計画 個々の患者に最適な治療法を提案するために、AIは大量のデータを分析します。これにより、パーソナライズドメディスンが実現し、患者一人ひとりに合わせた治療が可能になります。 薬剤開発 新薬の開発プロセスにAIを活用することで、候補となる化合物のスクリーニング時間を短縮し、効果的な薬剤を早く市場に出すことができます。 予防医療 AIは慢性病の管理を改善し、リアルタイムでの健康状態モニタリングを通じて、病気の予防や早期介入を可能にします。 運用効率の向上 病院や診療所のスケジュール最適化、在庫管理、医療記録のデジタル化など、運用面での効率化もAIの力を借りて行われています。 AIを活用した医療診断サービス AI（人工知能）で画像を解析して診断に活用する「画像診断支援AI」の開発は既に多くの企業が進めており、解析する画像の部位も肺や胃をはじめ、咽頭、乳房、骨、目、脳まで可能となりはじめています。 | 企業名 | 種別 | 部位や疾患 | モダリティー （診断方法） | 開発段階 | | --- | --- | --- | --- | --- | | AIメディカルサービス | スタートアップ | 胃（がん） | 内視鏡 | 承認申請中 | | CESデカルト | スタートアップ | 肺(COVID-19) 乳房（がん） | CT 超音波 | 承認取得済み 承認取得済み | | DeepEyeVison | スタートアップ | 眼 （健常眼との差異） | 眼底カメラ | 認証取得済み | | ERISA | 子会社 | 脳（萎縮度合い） | MRI | 認証取得済み | | GEヘルスケアジャパン | 外資系日本法人 | 心臓（冠動脈内腔の状態） 乳房（がん） | CT MRI | 開発中 開発中 | | iSurgery | スタートアップ | 骨 （骨粗しょう症） | X線 | 開発中 | | NEC | 上場 | 大腸（がん） 食道（がん） | 内視鏡 内視鏡 | 承認取得済み 欧州で販売 | | NTTデータ | 上場 | 心臓（大動脈癌） 腎臓（がんなど） | CT CT | 開発中 開発中 | | Smart Opinion | 合弁会社 | 乳房（がん） | 超音波 | 承認申請中 | | Splink | スタートアップ | 脳（萎縮度合い） | MRI | 認証取得済み | | Xnef | スタートアップ | 脳（うつ病） | MRI | 開発中 | | アイリス | スタートアップ | 咽頭 （インフルエンザ） | 専用カメラ | 承認取得済み | | エルピクセル | スタートアップ | 脳（脳動脈瘤） 肺（肺結節） 大腸（ポリープ） | MRI X線 内視鏡 | 承認取得済み 承認取得済み 承認取得済み | | オプティム | 上場 | 眼 （視神経乳頭凹の体積） | 眼底カメラ | 認証取得済み | | カシオ計算機 | 上場 | 皮膚（がん） | 専用カメラ | 開発中 | | キャノンメディカルシステムズ | 子会社 | 肺(COVID-19) | CT | 承認取得済み | | グルーヴノーツ | スタートアップ | 肝臓 | 超音波 | 開発中 | | クレアポ・テクノロジーズ | 子会社 | 眼 （白班や出血など） | 眼底カメラ | 認証取得済み | | グローリー | 上場 | 骨（骨盤骨折） | CT | 開発中 | | コニカミノルタ | 上場 | 肺（肺結節など） | X線 | 承認取得済み | | サイバネットシステム | 上場 | 大腸（病変の検出） 大腸（ポリープ） 大腸（病変の鑑別） 大腸（潰瘍性大腸炎） | 内視鏡 内視鏡 内視鏡 内視鏡 | 承認取得済み 承認取得済み 承認取得済み 承認取得済み | | シーメンスヘルスケア | 外資系日本法人 | 肺（肺結節など） | CT | 承認取得済み | | ドクターネット | 子会社 | 肺(COVID-19) | X線 | 承認取得済み | | 富士通Japan | 子会社 | 肺(COVID-19) | CT | 承認取得済み | | 富士フィルム | 子会社 | 胃・食道（がん） 大腸（ポリーブ） 肺(COVID-19) 肺（肺結節） 肺（肺結節など） 肋骨（骨折） | 内視鏡 内視鏡 CT CT X線 CT | 承認取得済み 承認取得済み 承認取得済み 承認取得済み 承認取得済み 承認取得済み | | メディサイエンスプランニング | 子会社 | 肺(COVID-19) | CT | 承認取得済み | | 両備システムズ | 子会社 | 大腸 （炎症性腸疾患関連腫瘍） | 内視鏡 | 開発中 | | | | | | | 医療業界で事務効率を向上するAIサービス 診断や医療提供業務の他にも、医療業界における事務作業は業務量が多いのが現実です。これらの事務効率化もAIによって改善する例が生まれています。 医師の退院時サマリー作成業務を最大1/3に削減 ![](https://prtimes.jp/main/html/rd/p/000000066.000048083.html) PRタイムス プレスリリース「恵寿総合病院とUbie、生成AIを活用した「医師の働き方改革」の実証実験を実施」より ■実証実験結果サマリー ・医師の退院時サマリー作成業務が約15分から5分と最大1/3にまで短縮 ・平均5分の短縮が見込まれ、年間約6,500人の患者が退院、転出により年間約540時間の医師の作業時間削減の可能性 ・看護師の退院時看護要約作成業務や医療事務スタッフによる退院サマリー作成、主治医意見書・診療情報提供書作成補助業務でも作業時間削減の効果がみられ、院内全体の業務効率化に寄与 毎月の煩雑なレセプト点検作業から医師・医療事務担当者を解放！ 株式会社Medical AI LAB HP 製品特徴より 株式会社Medical AI LABが提供する、「AIレセチェッカー」は、病院のレセプト点検修正業務に係る医療事務の効率化、並びに診療報酬の誤請求を防止し、病院の収益向上に貢献するAIレセプトチェックシステムです。 医療現場における、医療事務業務においてはその業務に対する経験などのバラツキがあり、個々の経験にゆだねる必要が多く、必然的にベテラン職員への負荷がかかりがちとなります。「AIレセチェッカー」により、職員の経験によらず業務効率化を図ることが可能です。 医療業界でAIを活用する上での課題点 医療業界でAIを導入することで、飛躍的に改善が見込める一方で、AIを利用する事による課題点もいくつが存在します。このような課題を正しく把握し、AIを活用することが重要となります。 AIによる誤診の可能性 AIの診断結果は、結局のところアルゴリズムとトレーニング（教師）データによって生み出されます。そのため、トレーニング（教師）データが不足している場合などは、誤診を生む可能性があります。 そのため、現段階で100%そのまま診断結果を提示するのではなく、人の確認をいれるなどのプロセスで診断結果の担保をする必要がまだありそうです。 患者データのプライバシーとセキュリティ 患者データは、診療データをはじめ多くの個人的な情報を含んでおります。AIを医療に活用する上で、いかにデータの安全性を担保することができるのかは大きな課題です。 データの暗号化はもちろんのこと、厳格な運用面での管理（データへのアクセス権）など、あらゆる面からの対策を講じることが求められます。 高額な導入コストと運用コスト 医療分野におけるAI（人工知能）導入の際には、主に以下のような理由で高額な初期費用や運用コストが発生します。 ソフトウェア開発とカスタマイズ： 医療AIシステムは、特定の診療要件や患者データに合わせてカスタマイズする必要があります。これには、アルゴリズムの設計、ソフトウェア開発、テスト、導入が含まれ、それぞれに高度な専門知識と時間が必要です。 ハードウェアインフラストラクチャ： 高性能なコンピューティングリソースが必要であり、特に大量のデータを処理するために高価なサーバーやストレージが求められます。 データ取得と整理： AIモデルの訓練には、大量のラベル付きデータが必要です。医療分野では、これに医療記録のデジタル化、データのクレンジング、プライバシー保護のための匿名化などが含まれます。 法規制とコンプライアンス： 医療AIは、患者の安全とプライバシーを守るために厳格な法規制を遵守する必要があります。これには、適切な認証や承認の取得が含まれ、それには時間とコストがかかります。 維持管理とアップデート： AIシステムは継続的に更新とメンテナンスを必要とします。技術の進歩や臨床ガイドラインの変更に応じて、モデルの再訓練やソフトウェアのアップデートが必要になります。 専門人材の確保 医療分野におけるAIの導入と拡大には多くの利点がありますが、それに伴う人材不足は大きな課題となっています。この人材不足には、以下のような複数の側面が関与しています。 専門的な技術知識の不足： AI技術、特に機械学習やデータサイエンスに関する専門知識を持つ医療従事者はまだ少ないです。医療AIを開発、導入、運用するためには、これらの技術に精通した人材が必要です。 医療と技術の橋渡し役の不足： 医療知識とAI技術の両方に精通し、それらを統合することができるクロスフィールドの専門家が不足しています。このような専門家は、AIソリューションが臨床現場で実際に有用であることを確保するために重要です。 継続教育とトレーニングの機会の不足： 医療従事者がAI技術を理解し、効果的に使用するためには、適切なトレーニングと継続教育が不可欠です。しかし、多忙なスケジュールや資源の限りがある中で、これらの教育プログラムにアクセスするのが難しいことがあります。 規制とポリシーに関する専門知識の不足： 医療AIを取り巻く法的・倫理的問題に対処できる法律専門家や倫理学者も不足しています。これらの専門家は、技術の安全で倫理的な使用を保証するための重要な役割を果たします。 これらの課題に対処するためには、教育機関、業界、政府が連携して教育プログラムを拡充し、研修機会を増やすことが求められます。 まとめ 医療分野におけるAI活用は、本記事でご紹介したように革新的なスピードで改善が進んでいます。 しかしながら、その側面で課題がまだまだ山積しているのも事実です。 課題が着実に解決し、AIの進歩により、私たちの健康の一助になるといいですね。