昨今、AI（Artificial Intelligence；人工知能）技術の発展は目覚ましく、「Machine Learning（機械学習）」や「Deep Learning（深層学習）」といった言葉を耳にする機会も増えたと思います。AIは1950年代にその概念が提唱されましたが、定義は曖昧で、「人間のように知能を持っているかのように振る舞うプログラム」全般をAIと呼んでいます（図1）^1）。一方で、AIのなかでもデータから規則性を学習するプログラムをMachine Learningと呼んでおり、1980年代に登場しました。そして2010年代には、Machine Learningのうちニューラルネットワーク^※と呼ばれるアルゴリズムを活用したDeep Learningが登場し、その性能の高さからAI技術への関心が高まり、実用化が進みました。私たちの身の回りでは、翻訳ツールやスマートフォンの顔認証・指紋認証などにDeep Learningが活用されており、医療現場においてもその有用性が示されつつあります。

医療DXとは、医療分野においてデジタル技術を用いて効率化を図り、医療の質の向上を目指す取り組みであり、その実現のためにAIは重要な役割を担うと考えます。

循環器領域では画像データを用いて診断することが多く、心電図や心エコー検査のAI活用に関する研究・開発が盛んに行われています。

心電図は一般的な検査で、検査数が多く、すべてのデータを医師が判読することは困難です。そのため、大量のデータを扱えるAIによる自動解析への高いニーズがあります。既報では、心電図のAI自動診断モデルは専門医と同程度以上の精度で異常を判読したことが示されました^2）。さらに、大量の心電図データを学習し作成されたモデルを用いて、12誘導心電図から発作性心房細動^3）や左室駆出率（LVEF）の低下^4）を高精度で検出できたことが報告されています。私たちのグループでも、心電図から冠動脈石灰化や弁膜症を予測するモデルを作成した研究結果を報告しています^5,6）。このように、人間では読み取れない心電図の微細な変化から心機能の低下などをAIにより推測する可能性について、複数の研究が進められています。

心エコー検査は非侵襲的で、心機能を評価する重要な検査です。一方、計測に適した画像を描出するには熟練が必要であり、検査者間誤差が大きく再現性が低い検査とされています。この課題解決のため、AIを活用し撮像時の断面やプローブ操作を指示してくれる医療機器が登場しています。当院では、実際に心エコー検査の撮像や計測値解析の補助としてAIを導入しており、検査時間の短縮、検査者の精神的・身体的負担の改善、検査者間誤差の軽減を実感しています。2024年にはAIを用いた心エコーの自動計測が、検査の効率性に及ぼす影響を評価した無作為化比較試験「AI-ECHO RCT」を実施しました（図2）。今後は、AIによる医療従事者の負担軽減の仕組みを他の施設にも実装し、広く普及させるための方法についても研究していきたいと考えています。

医療分野におけるAI研究・開発が進み、その導入への期待が高まっていますが、臨床への応用・普及が進んでいるとは言いがたい状況です。普及の障壁となっているAIの特性（弱点）は、主に2つあります。

1つ目は「ブラックボックス問題」です。AIは、インプットからアウトプットへ規則性を持って結果を導き出しますが、特にニューラルネットワークを用いるDeep Learningではその過程が複雑であることから、どういった経緯でその結果が得られたか人間には理解できないブラックボックスが存在します。心電図のAI診断のように、心機能が悪いとの結果が出て、その判断の根拠がわからなかったとしても、次に心エコー検査で心機能を再度評価できれば大きな問題とはなりません。しかし、AIが死亡リスクのある手術をやるべきだとの結果を出した時に、根拠がわからなければ手術を実行することはできません。大きなリスクを伴う医療行為において、ブラックボックスは重大な問題となります。

2つ目は「オーバーフィッティング（過学習）」です。AIは何らかのデータを収集・学習しモデルを構築しますが、学習するデータセットに特有のルールをみつけ、そのデータに過度に適合したモデルとなった結果、その条件下以外では役に立たないものになっていることがあります。例えば、心臓専門病院のデータを用いたモデルを一般病院で使用すると、心疾患のない患者さんでも心疾患と判定される頻度が高く、精度が落ちる可能性があります。どのようなデータを学習させればよいのか、学習するデータセットを知り、異なる施設でも精度を担保できるか検証することが重要です。

このように、臨床で信頼できる性能をAIに発揮させるためには、解決しなければならない課題が残っています。AIが誤った回答を出しても医師が介入でき、患者さんに大きな不利益が生じない分野から、まずは普及が進んでいくと考えます（図3）。

現在、少子高齢化に伴い、循環器疾患を含め国内の医療ニーズが高まる一方、医療従事者不足が深刻化し、医療従事者の業務負担・心身の負担は増大しています。このような問題を解決する方法の1つがAI導入による医療の効率化や標準化であると考え、AI研究に取り組んできました。これまで、AIが医療分野でどのようなことができるのか多くの研究成果が発表され、AIは計り知れない可能性を秘めていることが認識されてきました。しかしながら、実臨床での運用を体系化し、普及させていくための議論には至っていません。これからは、AIのバイアスやリスクなども踏まえた臨床実装論の確立が求められますし、承認されたAI医療機器の市販後の評価を集積していくことも重要になります。

私たちも新たなAI活用の可能性について研究を進めるとともに、実臨床のワークフローにどのようにAIをあてはめられるのか、臨床現場で使いこなせるか、導入後どのように業務改善できるのか、臨床実装に資する研究にも注力したいと思います。