レッスン12: 総合演習と修了｜医療AIコース

1. 総合演習 — 診断支援モデルを通しで作る

仕上げに、乳がん診断支援モデルを最初から最後まで一気通貫で作ります。これまで別々のレッスンで学んだ工程——陽性の定義・層化分割・標準化・学習・医療の指標・閾値設計・結果の言語化——を、 1つのフローにまとめました。コードを読みながら「どの工程がどのレッスンだったか」を思い出してみてください。

capstone.py

Ctrl+Enter

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, roc_auc_score

# ① 陽性を定義（L3）: 1 = 悪性（見つけたいもの）
data = load_breast_cancer()
X = data.data
y = (data.target == 0).astype(int)

# ② 層化分割（L3）: 陽性率をそろえる
X_tr, X_te, y_tr, y_te = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y)

# ③ 標準化（L3）: 基準は訓練だけで作る
sc = StandardScaler().fit(X_tr)

# ④ 学習（L4）
model = LogisticRegression(max_iter=1000, random_state=42).fit(sc.transform(X_tr), y_tr)
proba = model.predict_proba(sc.transform(X_te))[:, 1]

# ⑤ 閾値設計（L5）: 見逃しを抑えたいので「感度95%以上」を満たす中で特異度が最大の閾値を選ぶ
best_th, best_spec = 0.5, -1
for th in np.arange(0.05, 0.95, 0.01):
    tn, fp, fn, tp = confusion_matrix(y_te, (proba >= th).astype(int)).ravel()
    sens = tp / (tp + fn)
    spec = tn / (tn + fp)
    if sens >= 0.95 and spec > best_spec:
        best_th, best_spec = round(th, 2), spec

# ⑥ 選んだ閾値で最終評価（L5）
tn, fp, fn, tp = confusion_matrix(y_te, (proba >= best_th).astype(int)).ravel()
print(f"選んだ閾値: {best_th}")
print(f"感度: {tp/(tp+fn):.3f}  特異度: {tn/(tn+fp):.3f}")
print(f"見逃し(FN): {fn}人  過剰検出(FP): {fp}人")
print(f"AUC: {roc_auc_score(y_te, proba):.3f}")

出力

「感度95%以上を保ちつつ特異度を最大化」という方針で閾値を選ぶと、閾値0.25が選ばれ、 感度0.969・特異度0.991・見逃し2人・過剰検出1人。初期値の0.5（見逃し4人）より見逃しを減らせました。これが「用途（見逃しを避けたい）に合わせて設計する」ということです。

💡 結果の言語化（医師への説明の練習）： このモデルをひとことで説明すると—— 「このデータでは、悪性の約97%を拾い上げる設定にしてあり、そのとき健康な方を誤って陽性とするのは約1%です。ただしこれはこの検証データでの数字で、実際の集団の有病率や施設が変われば的中率（PPV）は変わります。最終判断は診察と合わせてお願いします」。レッスン5の有病率の罠と、レッスン1の診断支援の原則が、この一言に凝縮されています。

2. コース総復習

4つのユニットで学んだことを振り返りましょう。「医療AIって難しそう」から、開発の全工程を語れるところまで来ました。

Unit 1: 医療AIの土台と医療データ（L01〜L02）

医療AIは「診断支援」——責任は医師
失敗の非対称性・データの制約・説明と規制
患者リーケージと GroupShuffleSplit

Unit 2: テーブルデータで作る診断支援AI（L03〜L06）

乳がん診断支援：陽性の定義・EDA・標準化
混同行列を「見逃し・過剰検出」で読む
感度・特異度・PPV・有病率の罠・閾値・ROC/AUC
糖尿病の回帰・MAE/R²・相関と因果

Unit 3: 医用画像AI — DICOMとCNN（L07〜L09）

DICOM・HU値変換・ウィンドウ処理・匿名化
CT分類CNN・患者単位分割・データ拡張の是非
説明可能性（permutation importance・Grad-CAM）

Unit 4: 現場実装と責任（L10〜L12）

規制：SaMD・薬機法・PMDA・3省2ガイドライン
分布シフト・バイアス・検証の階段
総合演習・医療AI開発チェックリスト

3. 保存版 — 医療AI開発チェックリスト

現場で医療AIを開発・評価するときに立ち返る、このコースの総まとめチェックリストです。新しいプロジェクトを始めるとき、このリストを1つずつ確認してみてください。

🗂 データ（Unit 1・2）

□ データの取得・利用は同意・倫理審査・ルールに沿っているか（要配慮個人情報）
□ 匿名化されているか（画像は画素からの再特定にも注意）
□ 患者単位でtrain/val/testを分けたか（リーケージ防止）
□ クラス不均衡を把握し、分割で陽性率をそろえたか（stratify）
□ 何を陽性とするか最初に定義したか

📊 評価（Unit 2）

□ 正解率だけでなく感度・特異度を見たか
□ 実運用の有病率でPPVを見積もったか（有病率の罠）
□ 用途に合わせて閾値を設計したか（見逃し vs 過剰検出）
□ ROC/AUCで閾値によらない性能を確認したか

🔍 説明・規制・運用（Unit 3・4）

□ 判断根拠を示せるか（permutation importance・Grad-CAM）
□ モデルが「偏りの目印」でなく妥当な手がかりを見ているか
□ 製品化するなら医療機器（SaMD）該当性を確認したか
□ 外部検証・前向き検証を計画したか（分布シフト対策）
□ 導入後のモニタリング体制はあるか
□ 最終判断は医師、を設計に反映したか（診断支援の原則）

4. 次のステップ

医療AI開発の全体像をつかんだ今、さらに力を伸ばす方向を3つ紹介します。あなたの目指す先に合わせて選んでください。

理論を深める

E資格対策

このコースで「コードは読める・使える」感覚がついた今、深層学習の数式・理論を固めると、医療AIの土台がぐっと厚くなります。実装の読み解きはE資格コーディング対策コース（PyTorch編）で、理論はE資格対策ページで。

E資格対策を見る →

知識を広げる

G検定対策

このコースで触れたAI倫理・バイアス・法律・説明可能性は、G検定でも重要テーマです。医療にとどまらずAI全般の知識を体系的に広げたい方に。ビジネス・社会実装の視点が加わります。

G検定対策を見る →

実力を試す

実践模試で腕試し

学んだ知識が身についたか、本番形式の問題で確かめましょう。E資格の実践模試（理論・コード）で、実装と理論の両面から力を試せます。

E資格対策から探す →

スクールで学ぶなら

給付金で受講料を抑える

医療AIを本格的に学び直すなら、AI・データサイエンス系の講座には国の教育訓練給付金の対象があり、条件を満たせば受講料の一部が戻ります。受講開始の2週間前までの手続きが要点です。

給付金の仕組みを見る →

5. 最後に — 現場に出るあなたへ

⚠ 忘れないでください： このコースで作ったモデルは、すべて学習用です。実際の診療には使えません。そして本物の医療AIを作るときも、大原則は同じ——AIは診断支援、最終判断と責任は医師にあります。

医療AIエンジニアとして現場に出るとき、このコースから3つだけ持って行ってください。

データを疑う……高い精度の裏に、リーケージや偏りが隠れていないか。数字を鵜呑みにしない
医師と話す……何が臨床的に意味のある間違いか、どの指標が現場で効くかは、現場の人にしか分からない
小さく検証する……いきなり全国展開せず、外部検証・前向き検証で一歩ずつ確かめる

医療×AIは、技術と現場理解の両方を持つ人を必要としています。このコースが、その第一歩になれば幸いです。本当にお疲れさまでした。

総合演習と修了

最終レッスンへようこそ！