「医療AIに興味はあるけれど、何から手をつければいいのか分からない」——このサイトを立ち上げた理由のひとつが、この質問に体系的に答えられる場所を作ることでした。
この記事では、医療AIの応用領域の全体地図と、普通のML開発と決定的に違う4つのポイントを整理します。読み終わる頃には、「自分はどの領域から入るか」「次に何を学ぶか」の見当がつくはずです。
なぜ今、医療 × AI なのか
エンジニアの視点で押さえておきたい背景は3つあります。
- 構造的な人手不足。日本は高齢化で医療需要が増え続ける一方、医師の労働時間規制(いわゆる「医師の働き方改革」)が2024年度から適用され、「人を増やせないなら業務を効率化するしかない」状況が続いています。
- データの電子化が(ようやく)進んだ。電子カルテ、PACS(医用画像の管理システム)、レセプトなど、学習に使えるデータがデジタルで蓄積される時代になりました。
- 技術側のブレイクスルー。画像認識は放射線画像と相性がよく、LLMの登場でカルテ文書のような「非構造化テキスト」も扱えるようになりました。
つまり、需要(人手不足)・供給(データ)・手段(モデル) が同時に揃いつつあるのが今です。
医療AIの応用領域マップ
「医療AI」と一口に言っても、中身はかなり多様です。代表的な領域を表にまとめます。
| 領域 | 例 | 主な技術 | エンジニアの参入しやすさ |
|---|---|---|---|
| 画像診断支援 | 胸部X線の異常検出、内視鏡のポリープ検出、病理画像の解析 | CNN / ViT、セグメンテーション | ◎(公開データ・OSSが豊富) |
| 臨床文書・業務効率化 | 診察音声からのカルテ下書き、紹介状・サマリ作成支援 | LLM、音声認識 | ◎(いま一番動きが速い) |
| 臨床意思決定支援(CDS) | 敗血症の早期予測、検査値からのリスクスコアリング | 時系列モデル、表形式データのML | ○ |
| ゲノム・オミクス | 変異の病原性予測、がんゲノムプロファイリング支援 | 配列モデル、統計遺伝学 | △(ドメイン知識の壁が高い) |
| 創薬 | 化合物の性質予測、タンパク質構造予測 | GNN、生成モデル | △(製薬企業・研究機関が中心) |
| 病院運営 | ベッド管理、需要予測、シフト最適化 | 最適化、需要予測 | ○(医療知識が比較的少なくて済む) |
これから入るエンジニアに個人的に勧めやすいのは、画像診断支援(教材とOSSが最も充実している)と、LLMによる文書業務の効率化(Web/アプリ開発のスキルがそのまま活きる)の2つです。
普通のML開発と何が違うのか
「Kaggleで画像分類はやったことがある」という人が医療AIに入って最初に驚くのが、モデル以外の制約の多さです。重要な違いを4つ挙げます。
1. データが施設の外に出ない
医療データは要配慮個人情報を含むため、「とりあえずS3に集めて学習」ができません。研究利用には倫理審査(IRB)や患者への説明・同意が関わり、施設をまたぐデータ収集は契約と法制度の整理が必要です。
このため、技術面でも次のようなテーマが重要になります。
- 匿名化・仮名化の自動処理(DICOMヘッダやカルテ本文からの個人情報除去)
- 連合学習(Federated Learning) のように「データを動かさず、モデルを動かす」アプローチ
- 公開データセット(MIMIC、TCIA、MedNISTなど)をうまく使った検証
2. アノテーションできる人が希少で高価
一般の画像なら誰でもラベル付けできますが、「この胸部X線に結節があるか」を判断できるのは専門医だけです。つまり教師データが構造的に高い。
結果として、少ないラベルで学習する技術——自己教師あり学習、半教師あり学習、能動学習(どの症例を優先してラベル付けしてもらうかの最適化)——が、他分野以上に実務的な価値を持ちます。
3. 「施設が変わると精度が落ちる」が当たり前に起きる
CTやMRIは装置メーカー・撮影プロトコル・患者集団が施設ごとに違います。A病院のデータで学習したモデルがB病院で精度を落とすドメインシフトは、医療AIでは例外ではなく前提です。
さらに、クラス不均衡も極端です。疾患の有病率が1%なら、「全部陰性」と答えるだけで正解率99%のモデルができてしまいます。正解率(Accuracy)ではなく、感度・特異度・AUROC・AUPRCといった指標で評価する習慣が必須です。
4. 「診断」に踏み込むと規制対象になる
ここが最大の分岐点です。ソフトウェアであっても、疾病の診断・治療に寄与することを目的とすると、日本では薬機法上の医療機器(プログラム医療機器、いわゆるSaMD)に該当し得ます。該当すれば、品質管理体制や承認・認証といった規制対応が必要になります。
逆に言えば、「診断はせず、医師の業務を支援する」設計に寄せることで、規制の外側でプロダクトを作る戦略もあります。この話は別記事「プログラム医療機器(SaMD)入門」で詳しく扱います。
技術スタックの全体像
医療AIエンジニアがよく触ることになる技術を、レイヤ別に挙げておきます。
- データ形式・標準規格: DICOM(医用画像)、FHIR / HL7(医療情報連携)、SS-MIX2(国内の電カルデータ標準化)
- 画像AIフレームワーク: PyTorch + MONAI(医用画像特化のOSS)、nnU-Net(セグメンテーションの定番)
- LLM関連: RAG、構造化出力、ガードレール設計(医療では安全設計が特に重要)
- インフラ: オンプレGPU(データを外に出せない施設向け)、クラウドの医療対応リージョン・BAA相当の契約
- 評価・運用: モデルの性能監視、バージョン管理、市販後の変更管理(規制と直結)
全部を最初から学ぶ必要はありません。「画像系(DICOM+MONAI)」か「テキスト系(FHIR+LLM)」のどちらかを軸に決めて、規制の基礎知識を薄く広くが、経験上いちばん迷子になりにくい学び方です。
まず何をやるべきか — 最初の3ステップ
- 公開データで1本パイプラインを通す。MedNISTやKaggleの医療コンペで、前処理→学習→評価まで完走する。MONAIのハンズオン記事がそのまま使えます。
- 規制の「地図」だけ頭に入れる。薬機法・SaMD・クラス分類の概要を知っているだけで、医療系の会話の解像度が大きく変わります。
- 医療現場の語彙に慣れる。電子カルテ、PACS、オーダリング、レセプト——現場のシステム構成を知ると、「AIをどこに差し込めるか」が見えてきます。
まとめ
- 医療AIは「画像診断支援」と「LLMによる文書業務効率化」がエンジニアの入口として有望
- 普通のMLとの違いは、データが動かせない・ラベルが高い・ドメインシフトが前提・規制があるの4点
- 技術スタックは「画像系」か「テキスト系」に軸足を決めて学ぶのが効率的
次回以降、このマップの各エリアを1つずつ掘り下げていきます。まずは手を動かしたい人はMONAIハンズオンへ、プロダクト化に興味がある人はSaMD入門へどうぞ。