1. このコースがめざすこと
ここまでのコースで、あなたは Python・NumPy・pandas を使いこなし、 scikit-learn で機械学習モデルを動かせるようになりました。 このコースではいよいよ、その力を「医療」という現場に向けます。
ただし、医療AIの開発は「医療データに機械学習を当てはめるだけ」ではありません。 データの扱い方・モデルの評価のしかた・結果の説明のしかた・守るべきルール—— どの段階にも、医療ならではの「現場の注意点」があります。 このコースは、3つの医療AIモデルを実際に開発しながら、その注意点を一つずつ体で覚えていく構成です。
⚠ 本コースは学習用の教材です。 コース内で作成・解説するモデルはすべて学習目的のものであり、 実際の診断・治療の判断には使用できません。 使用するデータも、教育用に公開されているデータセットと合成データのみです。
2. 大原則 — 医療AIは「診断支援」であって「診断」ではない
最初に、このコース全体を貫く大原則を押さえます。
🩺 医療AIの大原則： AIは診断の主体にはなれません。AIが出せるのは「悪性の可能性が高い」「この領域が疑わしい」といった 判断材料までで、それをもとに診断を下し、責任を負うのは医師です。 だから医療AIは「診断AI」ではなく「診断支援AI」と呼ばれます。
これは単なる言葉づかいの問題ではなく、日本の制度上の整理でもあります （医師法上、AIを用いた診断・治療支援はあくまで医師の判断の補助であり、最終的な判断の責任は医師が負う、 という考え方が示されています。制度の詳細はレッスン10で扱います）。
開発者にとってこの原則は、次のような設計判断に直結します。
- モデルの出力は「確定的な答え」ではなく、確率やスコア、候補として提示する
- 医師が判断の根拠を確かめられるよう、「なぜそう判断したか」を示す仕組み（説明可能性・レッスン9）を用意する
- 「AIが陰性と言ったから見なくてよい」とならないよう、運用の設計（レッスン11）まで考える
本コースでも、モデルの出力はつねに「支援情報」として扱い、 「AIが診断する」という表現は使いません。
3. 一般のML開発との3つの違い
映画のおすすめや売上予測のAIと、医療AIとでは何が違うのでしょうか。 現場で特に効いてくる違いは、次の3つです。
違い① 失敗のコストが非対称で、桁違いに大きい
おすすめ機能が外れても、ユーザーは少しがっかりするだけです。 しかし医療AIの間違いには、「見逃し」（病気があるのに無いと判定）と 「過剰検出」（病気が無いのにあると判定）という2種類があり、 それぞれのコストがまったく違います。
- 見逃し（偽陰性）……治療の機会を失う。がん検診なら発見の遅れに直結する
- 過剰検出（偽陽性）……不要な精密検査・患者の不安・医療資源の浪費につながる
どちらをどれだけ許容するかは用途によって変わります。 「とにかく拾い上げたい健診のふるい分け（スクリーニング）」と「確定診断の支援」では、 同じモデルでも求められるバランスが違うのです。 この考え方はレッスン5（感度・特異度・閾値設計）で、実際にコードを動かしながら習得します。
違い② データが「自由に使えない・偏っている・少ない」
医療データは要配慮個人情報（病歴など、特に慎重な扱いが法律で求められる個人情報）を含みます。 さらに、次のような技術的な難しさも重なります。
- 同じ患者から複数のデータが取られる → 分け方を間違えると評価が壊れる（レッスン2で実験します）
- 病気のデータは健康なデータよりずっと少ない → クラス不均衡
- 特定の病院・装置・患者層に偏る → 他の施設では性能が落ちる（レッスン11）
違い③ 「説明」と「規制」がセットで求められる
精度がどれだけ高くても、「理由は分からないが悪性と出ました」では医師は使えません。 判断の根拠を示す仕組み（説明可能性・XAI）が求められます（レッスン9）。 さらに、診断・治療にかかわるソフトウェアはプログラム医療機器（SaMD）として 法規制の対象になり得ます（レッスン10）。 「作って終わり」ではなく、説明できて、ルールを守って、運用され続けるところまでが医療AI開発です。
4. 医療AI開発の全体地図
医療AIの開発は、次の6ステップの積み重ねとして整理できます。 この地図が、そのまま本コースの目次になっています。
| ステップ | 内容 | レッスン |
|---|---|---|
| Data | 医療データを安全に・正しく扱う（匿名化・患者単位分割・不均衡） | L02〜L03 |
| Model | モデルを開発する（分類・回帰・画像CNN） | L04・L06・L08 |
| Evaluation | 医療の指標で評価する（感度・特異度・閾値） | L05 |
| Explanation | 判断の根拠を示す（XAI） | L09 |
| Regulation | 制度とルールを知る（SaMD・薬機法） | L10 |
| Operation | 現場で動かし続ける（バイアス・検証・モニタリング） | L11 |
よくある失敗は、Model（真ん中）だけに力を入れてしまうことです。 現場で信頼される医療AIは、両端（DataとOperation）の丁寧さで決まる—— これはコースを通して繰り返し出てくるメッセージです。
5. このコースで開発する3つのモデル
コースの軸になる3つのモデル開発です。①②はブラウザ上で実際にコードを実行しながら開発し、 ③は実装コードを読み解く形式で学びます（PyTorchはブラウザ内Pythonでは動かないため。 この方式はE資格コーディング対策コースと同じです）。
| モデル | データ | タスク | レッスン | 形式 |
|---|---|---|---|---|
| ① 乳がん診断支援 | 細胞診の計測データ（569例・scikit-learn同梱） | 分類（良性/悪性の判別支援） | L03〜L05 | ▶ 実行しながら開発 |
| ② 糖尿病進行度の予測 | 糖尿病患者の検査データ（442例・scikit-learn同梱） | 回帰（1年後の進行度スコア予測） | L06 | ▶ 実行しながら開発 |
| ③ CT画像の分類 | DICOM形式のCT画像（構成例） | 画像分類（CNN・深層学習） | L07〜L08 | 📖 コードを読み解く |
💡 データセットについて： ①②は scikit-learn に同梱された教育用の実データで、ダウンロード不要・ブラウザだけで扱えます。 どちらも医療AIの教材として世界中で使われてきた定番データです。 ③のDICOM（医用画像の標準フォーマット）はレッスン7でファイル構造からていねいに解説します。
6. 練習問題
このレッスンは座学です。理解の確認として、3問だけ解いてみましょう。
「診断支援」の意味
医療AIが「診断支援」と呼ばれる理由として、最も適切なのはどれですか。
- A. AIの精度がまだ低く、診断には使えないから
- B. AIは判断材料を提供するが、診断を下し責任を負うのは医師だから
- C. 「診断」という言葉が商標登録されているから
答えと解説を見る
正解：B
精度の高低にかかわらず、診断の主体は医師であり、AIはその判断を支える材料を提供する立場です。 これは制度上の整理でもあり、モデルの出力形式・説明可能性・運用設計といった 開発上の判断すべてに影響する大原則です。
見逃しと過剰検出
「病気があるのに、無い」と判定してしまう間違いを何と呼びますか。また、健診のふるい分け（スクリーニング）で 特に避けたいのはどちらの間違いですか。
- A. 偽陽性 ── スクリーニングでは過剰検出を最も避けたい
- B. 偽陰性 ── スクリーニングでは見逃しを特に避けたい
- C. 偽陰性 ── スクリーニングでは過剰検出のほうを特に避けたい
答えと解説を見る
正解：B
「病気があるのに無い」は偽陰性（見逃し）です。 スクリーニングは「疑わしい人を拾い上げて精密検査へつなぐ」のが目的なので、見逃しを特に避けたい場面です。 ただし偽陽性（過剰検出）にも不要な検査や不安というコストがあり、 どちらをどこまで許容するかは用途しだい——このバランスの設計をレッスン5で学びます。
開発の全体地図
「精度99%のモデルができた！すぐ現場に導入しよう」——この判断に足りていない観点を、 全体地図の6ステップから3つ以上挙げてください。
答えと解説を見る
例：
- Evaluation：その99%は正解率？ 感度・特異度で見ると見逃しが多いかもしれない（L05）
- Data：患者単位でデータを分割して評価したか？ リーケージで過大評価かもしれない（L02）
- Explanation：医師が根拠を確認できる仕組みはあるか（L09）
- Regulation：診断支援として使うなら医療機器規制の確認が必要では（L10）
- Operation：他の施設・装置でも性能が出るか外部検証したか（L11）
「モデルの精度」は6ステップのうちの1つに過ぎない、という感覚がこのコースのゴールです。
7. まとめ
このレッスンのポイント
- 医療AIは「診断支援」——判断材料を出すのがAI、診断を下し責任を負うのは医師
- 一般のML開発との違いは ① 失敗の非対称性 ② データの制約 ③ 説明と規制
- 間違いには見逃し（偽陰性）と過剰検出（偽陽性）があり、コストのバランスは用途で決まる
- 開発の全体地図は Data → Model → Evaluation → Explanation → Regulation → Operation の6ステップ＋循環
- 本コースでは3つのモデル（乳がん分類・糖尿病回帰・CT画像CNN）を、実行と読み解きで開発する
- 本コースのモデルは学習用であり、実際の診療には使用できない
次のレッスンでは、開発の最初の一歩である「医療データの扱い方」に進みます。 データの分け方ひとつで評価が壊れる——医療AI開発でもっとも有名な落とし穴を、 実際にコードを動かして体験しましょう。
完了するとコース一覧に進捗が記録されます