📋 この記事の目次
自己紹介：医療現場から始まったAIへの道
はじめまして。「医療AIナビ」を運営している、現役のメディカルスタッフです。
私は今も医療の現場で患者さんと向き合う仕事を続けながら、副業としてAI開発やAIに関する情報発信を行っています。「医療×AI」という二刀流のキャリアを歩んでいますが、スタート地点はプログラミングの「プ」の字も知らない完全な素人でした。
AI学習を始めたきっかけは、日々の業務で感じた「データの海の中にいるのに、それを活かしきれていない」というもどかしさでした。医療現場は膨大なデータに囲まれています。検査数値、画像データ、患者の経過記録——。しかし、その多くは個人の経験と勘に頼った判断に使われ、データとして体系的に分析されることはほとんどありませんでした。
「このデータを分析できるスキルがあれば、もっと良い医療ができるのではないか」。その想いが、独学でのAI学習を始める原動力になりました。
学習ロードマップ：完全独学でスキルを積み上げる
医療の仕事を続けながらの学習です。スクールに通う時間はありません。すべてオンライン講座と書籍を使った独学で進めました。私が実際にたどった学習の流れを紹介します。
Phase 1：プログラミングとWeb制作の基礎
最初に手をつけたのは、意外にもHTML/CSSとJavaScriptでした。「まずは何かを作って動かしたい」という気持ちが強く、Webサイトの制作から入りました。実際にこのサイト「医療AIナビ」も自分で構築しています。
Web制作を通じてプログラミングの基本的な考え方——変数、条件分岐、ループ、関数——を体得できたのは大きかったです。その後、VBAを使った業務効率化やPHPでの簡単なWebアプリ開発にも手を広げました。「コードを書いて動くものを作る」楽しさを知ったことが、その後のPython学習のモチベーションにつながりました。
Phase 2：Pythonとデータ分析
プログラミングの基礎に慣れた段階で、Pythonの学習に入りました。Pythonを選んだ理由はシンプルで、AIと機械学習のデファクトスタンダードだからです。
座学だけでは身につかないので、実際のプロジェクトをどんどん進めました。特に力を入れたのがWebスクレイピングシステムの開発です。公開されているデータを自動収集し、分析するツールを自作。これが「データを集めて→加工して→分析する」という一連のデータサイエンスの流れを体得するのに最適な実践課題でした。
pandasでのデータ前処理、matplotlibでの可視化、統計的な検定——。実務に直結するデータ分析スキルは、この時期に集中的に鍛えました。
Phase 3：機械学習・ディープラーニング
データ分析の基礎が固まったら、いよいよ機械学習の世界に入りました。scikit-learnで基本的なアルゴリズム（回帰、分類、クラスタリング）を学んだ後、PyTorchを使ってディープラーニングの実装に進みました。
医療現場にいる強みを活かして、学習題材にはできるだけ医療に関連するデータセットを選びました。画像分類、テキスト分析、時系列データの予測——。「いつか自分の現場で使える技術になる」と思うと、学習の辛さも乗り越えられました。
💡 独学のコツ：「仕事で使えるもの」から作る
私が独学を続けられた最大の理由は、「学んだことをすぐに仕事に活かす」サイクルを回せたことです。VBAで日常業務を自動化する、Pythonでデータを可視化して上司に見せる——。小さくても「役に立った」という成功体験が、次の学習へのエンジンになります。
役に立ったAI資格
独学で積み上げたスキルを客観的に証明するために、AI関連の資格試験に挑戦しました。結果として、G検定・E資格・Generative AI Testのすべてに一発合格しています。
G検定：AIの全体像をつかむ
最初に受験したのがG検定です。AIの歴史、機械学習の基本概念、倫理・法律問題まで幅広く出題されるため、「AIの世界の地図」を手に入れるのに最適でした。独学で学んできた知識を体系的に整理する良い機会にもなりました。
学習期間は約2ヶ月。公式テキストと問題集を中心に、通勤時間や休憩時間を活用して進めました。医療現場で働いている分、「AIの社会実装」や「AIと倫理」のセクションは実感を持って理解できたのが有利でした。
E資格：ディープラーニングの理論と実装力
G検定で全体像を掴んだ後、E資格に挑戦しました。E資格はJDLA認定プログラムの受講が必須なので、オンラインの認定講座を受講。仕事終わりや休日に講座を進め、約4ヶ月で修了しました。
E資格の勉強で最も時間をかけたのは、数学的な基礎と各アーキテクチャの理論の理解です。独学でPyTorchを触っていた経験が活き、実装面では比較的スムーズに進められました。
Generative AI Test：生成AIの最新知識
生成AIの急速な進化に対応するため、JDLAのGenerative AI Testも受験。プロンプトエンジニアリングやRAG（Retrieval-Augmented Generation）、生成AIのリスク管理など、実務で即使える知識を体系的に整理できました。
💡 一発合格のポイント
3つの資格すべてに一発合格できた要因は、「独学での実践が先にあった」ことだと思います。教科書の理論を覚えるのではなく、手を動かして実装した経験があったからこそ、試験問題が「ああ、あのことか」と腑に落ちる感覚がありました。資格のための勉強ではなく、実践の延長線上に資格がある——このアプローチが効果的でした。
つまずいたポイントと乗り越え方
数学の壁
最大の壁は数学でした。線形代数、微分積分、確率統計——高校数学すら怪しい状態からのスタートです。乗り越えた方法は、「完璧を目指さない」こと。数式を見て拒否反応が出たら、まずコードに落として動かしてみる。「この数式はコードにするとこうなるのか」と理解できたら、改めて数式に戻る。この行き来を繰り返すことで、徐々に数学への抵抗がなくなりました。
時間の確保
医療の仕事はシフト制で不規則です。「毎日○時間勉強する」というルーティンは現実的ではありませんでした。代わりに、「1日1コミット」をルールにしました。AI関連のYoutube動画を視聴する。たとえ10分のコード修正でも、ゼロの日を作らない。この小さな習慣が、結果的に大きな積み上げになりました。
孤独な独学
医療とAIのコラボレーションに抵抗を感じている管理職も多く、「患者の命に関する業務をAIに任せるのは無責任」といった声を聴くこともありました。また、周囲にAIを学んでいる人もほとんどいない状況でした。職場で「ディープラーニングが——」と話しても、理解してもらえることはほぼありませんでした。G検定合格後にJDLAの合格者コミュニティ「CDLE」に参加できたことで、同じ志を持つ仲間と繋がれたのは大きな転機でした。オンライン上ではありますが、情報交換や励まし合いが独学を続けるエネルギーになりました。
副業としてのAI開発と情報発信
現在は医療の仕事を本業として続けながら、副業でAI関連の活動を行っています。具体的には以下のような取り組みです。
AI開発
医療データの分析ツールの開発や、機械学習モデルの構築を行っています。現役の医療スタッフであることが信頼につながっています。「技術だけわかるエンジニア」ではなく、「医療現場の痛みがわかるエンジニア」という立ち位置は、このフィールドでは非常に強い差別化要因です。
情報発信
このサイト「医療AIナビ」の運営がその中核です。医療AIの最新動向から、AIカルテの解説、そしてAI資格の比較まで、医療とAIの両方を理解している立場だからこそ書ける記事を発信しています。
医療現場とAIの橋渡し
最近は院内でも「AIに詳しい人」として認知されるようになり、AIリテラシーに関する勉強会の企画や、AI導入の検討段階での相談を受けることも増えてきました。医療現場にいながらAIの知識を持つ人材は、まだまだ少ない。だからこそ、その橋渡し役に大きな価値があると実感しています。
医療×AIを目指す人へのメッセージ
「医療の仕事をしながらAIを学ぶなんて無理だ」——私もそう思っていました。でも、振り返ってみると、医療の仕事を辞めなかったからこそ得られた強みの方が圧倒的に大きいのです。
医療現場にいるということは、AIが解くべき「本当の課題」を知っているということ。エンジニア出身の方が何年もかけて学ぶ医療ドメインの知識を、あなたはすでに持っています。足りないのは技術だけ。そして技術は、独学で身につけられます。
具体的なアドバイスは3つです。
- まずG検定から始める：プログラミング不要で、AIの全体像を体系的に学べます。合格者コミュニティへの参加権も得られます（G検定対策ページ）
- 「仕事で使えるもの」から作る：VBAでの業務自動化、Pythonでのデータ可視化など、小さな成功体験を積み重ねましょう
- 完璧を目指さず、毎日少しずつ：シフト制の不規則な生活でも、「1日1コミット」の習慣は維持できます
医療AI分野は今まさに成長の真っ只中です。2026年の診療報酬改定でAI活用が制度的に評価される時代になり、「AIがわかる医療スタッフ」の価値は急上昇しています。始めるなら今が最高のタイミングです。
まとめ
現役の医療スタッフとして働きながら、独学でAIエンジニアスキルを身につけた道のりを振り返ると、成功の要因は3つあったと思います。
1つ目は、「実践ファースト」の学習スタイル。教科書を読み込んでから手を動かすのではなく、まず作ってみて、わからないところを調べる。Web制作→VBA→Python→機械学習と、常に「動くもの」を作りながら学びました。2つ目は、医療現場を離れなかったこと。現場にいるからこそ「本当に必要なAI」がわかる。技術だけのエンジニアにはない、現場感覚がそのまま差別化になりました。3つ目は、資格による客観的なスキル証明。G検定・E資格・Generative AI Testのすべてに一発合格したことで、独学のスキルに信頼性が加わりました。
医療とAIの両方を理解する人材は、まだまだ少数です。だからこそ、今から始める価値がある。この記事が、医療現場からAIの世界に一歩を踏み出す誰かの背中を押すきっかけになれば、これ以上嬉しいことはありません。