Can AI Catch What Doctors Miss? | Eric Topol | TED

翻訳: Eriko Tsukamoto 校正: Masaki Yanagishita

I've had the real fortune of working at Scripps Research

過去17年間 スクリプス研究所で働くことができて

for the last 17 years.

本当に幸運でした

It's the largest nonprofit biomedical institution in the country.

同研究所は国内最大の 非営利の生物医学機関です

And I've watched some of my colleagues,

そこで私は 数名の同僚が

who have spent two to three years

２〜３年を費やして

to define the crystal 3-D structure of a protein.

タンパク質の結晶立体構造を 明らかにするのを目にしました

Well, now that can be done in two or three minutes.

それが今では2～3分で できるようになっています

And that's because of the work of AlphaFold,

人工知能プログラム AlphaFoldのお陰です

which is a derivative of DeepMind, Demis Hassabis and John Jumper,

これは ハサビスとジャンパーによって作られ 9月にラスカー医学研究賞を受賞した

recognized by the American Nobel Prize in September.

DeepMindの発展形です

What's interesting, this work,

この研究の興味深いところは

which is taking the amino acid sequence in one dimension

アミノ酸の一次配列から

and predicting the three-dimensional protein at atomic level,

三次元のタンパク質構造を 原子レベルで予測することで

[has] now inspired many other of these protein structure prediction models,

それが発展し 今やRNAや 抗体も含む 多くのタンパク質の構造予測モデルに

as well as RNA and antibodies,

影響を与え

and even being able to pick up all the missense mutations in the genome,

ゲノム内のミスセンス変異を全て検知したり

and even being able to come up wit proteins

これまで発明されたことのない 自然界には存在しないタンパク質構造を

that have never been invented before, that don't exist in nature.

考え出すことさえ できるようになったことです

Now, the only thing I think about this is it was a transformer model,

一点気になるのは これが トランスフォーマーモデルであることで

we'll talk about that in a moment,

このことについては後に触れますが

in this award, since Demis and John

この受賞については デミスとジョン

and their team of 30 scientists

そして30人の科学者からなるチームは

don't understand how the transformer model works,

トランスフォーマーモデルの 仕組みを理解していないので

shouldn't the AI get an asterisk as part of that award?

AIも受賞者の一員となるべき ではありませんか？

I'm going to switch from life science,

今その唯一最大の貢献についてお話した

which has been the singular biggest contribution just reviewed,

生命科学から

to medicine.

医学にテーマを切り替えます

And in the medical community,

そして 医学界で

the thing that we don't talk much about are diagnostic medical errors.

私たちがあまり話題にしないのは 診断ミスという医療過誤です

And according to the National Academy of Medicine,

米国医学アカデミーによると

all of us will experience at least one in our lifetime.

私たち皆が一生のうちに少なくとも 一度は診断ミスを受けるということです

And we know from a recent Johns Hopkins study

また ジョンズ・ホプキンス大学の 最近の研究から

that these errors have led to 800,000 Americans dead

診断ミスにより毎年80万人の アメリカ人が亡くなったり

or seriously disabled each year.

重度の障害を負ったりしていることが わかっています

So this is a big problem.

これは大きな問題なのです

And the question is, can AI help us?

ここで問題は AI は私たちを 助けられるか？ということです

And you keep hearing about the term “precision medicine.”

それから 「精密医療」 という言葉をよく耳にしますね

Well, if you keep making the same mistake over and over again, that's very precise.

まあ 同じ間違いを何度も繰り返すなら それは非常に精密で正確ではあります

(Laughter)

(笑)

We don't need that,

間違いは 不要です

we need accuracy and precision medicine.

必要なのは正確で精密な医療です

So can we get there?

到達可能でしょうか？

Well, this is a picture of the retina.

さて これは網膜の写真です

And this was the first major hint,

そして これが最初の大きなヒントでした

training 100,000 images with supervised learning.

10万枚の画像を学習をするように AIをトレーニングしたのです

Could the machine see things that people couldn't see?

人間には見えないものを AIが見ることができるのだろうか？

And so the question was, to the retinal experts,

そこで網膜の専門家たちに

is this from a man or a woman?

これが男性のものか 女性のものか聞きました

And the chance of getting it accurate was 50 percent.

正答率は 50% でした

(Laughter)

(笑)

But the AI got it right, 97 percent.

ですが人工知能の 正答率は 97%だったんです

So that training,

これはAIがどうトレーニングされたか

the features are not even fully defined of how that was possible.

それがどのように可能だったのか 完全にはわかっていませんが

Well that gets then to all of medical images.

これはすべての医療画像に当てはまります

This is just representative, the chest X-ray.

これは代表的な 胸部レントゲン写真です

And in fact with the chest X-ray,

実際 胸部X線では

the ability here for the AI to pick up,

AIが異常を検知できます

the radiologists, expert radiologists missing the nodule,

放射線科医 専門放射線技師が結節を見逃しても

which turned out to be picked up by the AI as cancerous,

AIがそれががんであることを検知しました

and this is, of course, representative of all of medical scans,

これはCTスキャン、MRI、超音波など

whether it’s CT scans, MRI, ultrasound.

すべての医療スキャンにも 当てはまることです

That through supervised learning of large, labeled, annotated data sets,

つまり ラベルや注釈が付けられた 大規模なデータセットを

we can see AI do at least as well, if not better,

管理下で学習することで AIは 専門医より優れているとは言わないまでも

than expert physicians.

少なくとも 同等なのが分かります

And 21 randomized trials of picking up polyps --

また ポリープの検知に関する 21件のランダム化比較試験では

machine vision during colonoscopy -- have all shown

これは大腸内視鏡検査中のAIビジョン画像 全ての試験で

that polyps are picked up better

特に興味深いことに 胃腸科専門医の目視だけの場合よりも

with the aid of machine vision than by the gastroenterologist alone,

AIビジョンの補助がある方が ポリープをより検出できるという結果でした

especially as the day goes on, later in the day, interestingly.

特に一日の終わりが近づくほど 差が出るのです

We don't know whether picking up all these additional polyps

余分なポリープを全て発見することで

changes the natural history of cancers,

がんの自然史が変わるかは不明です

but it tells you about machine eyes,

AIビジョンの持つ

the power of machine eyes.

底力がわかります

Now that was interesting.

以上は興味深いことでした

But now still with deep learning models, not transformer models,

トランスフォーマーモデルではなく

we've seen and learned that the ability

今までお見せした ディープラーニングモデルでは

for computer vision to pick up things that human eyes can't see

人間の目では見えないものを コンピュータビジョンが認識する能力が

is quite remarkable.

非常に優れています

Here's the retina.

これは網膜です

Picking up the control of diabetes and blood pressure.

糖尿病、血圧

Kidney disease.

そして腎臓病の管理状態が分かります

Liver and gallbladder disease.

肝臓と胆嚢の病気

The heart calcium score,

心臓のカルシウム値 などがわかります

which you would normally get through a scan of the heart.

これは通常 心臓をスキャン することで検出できるものです

Alzheimer's disease before any clinical symptoms have been manifest.

臨床症状が現れる前の アルツハイマー病

Predicting heart attacks and strokes.

心臓発作と脳卒中の予測もできます

Hyperlipidemia.

高脂血症

And seven years before any symptoms of Parkinson's disease,

そしてパーキンソン病を発症する

to pick that up.

７年前にそれを検知します

Now this is interesting because in the future,

これは興味深い話です なぜなら将来

we'll be taking pictures of our retina at checkups.

検診で網膜の写真を 撮ることになるのですから

This is the gateway to almost every system in the body.

網膜は体内のあらゆる システム（系）への入り口です

It's really striking.

驚異的です

And we'll come back to this because each one of these studies

あとでまたお話ししますが

was done with tens or hundreds [of] thousands of images

これらの研究はそれぞれ 管理下の学習による数万または数百の

with supervised learning,

画像を用いて行われ

and they’re all separate studies by different investigators.

それらはすべて別々の研究者が 独自に研究しています

Now, as a cardiologist, I love to read cardiograms.

心臓専門医として 私は心電図を読むのが大好きです

I've been doing it for over 30 years.

30年以上心電図を読んできました

But I couldn't see these things.

でもこれらは 心電図からは見えませんでした

Like, the age and the sex of the patient,

患者の年齢や性別

or the ejection fraction of the heart,

心臓のポンプ機能（駆出率）など

making difficult diagnoses that are frequently missed.

見落とされがちな 難しい診断を可能にします

The anemia of the patient, that is, the hemoglobin to the decimal point.

患者の貧血 つまり 小数点以下まで正確なヘモグロビン値だとか

Predicting whether a person,

心房細動や脳卒中を

who's never had atrial fibrillation or stroke

起こしたことがない人が

from the ECG,

そうなる可能性を

whether that's going to likely occur.

心電図から予測できます

Diabetes, a diagnosis of diabetes and prediabetes, from the cardiogram.

心電図から 糖尿病や前糖尿病が診断できます

The filling pressure of the heart.

心臓の充満圧

Hypothyroidism

甲状腺機能低下症

and kidney disease.

腎臓病

Imagine getting an electrocardiogram to tell you about all these other things,

心電図から 心臓についてだけでなく

not really so much about the heart.

こうした様々なことが分かるのを 想像してみてください

Then there's the chest X-ray.

それから 胸部X線撮影です

Who would have guessed that we could accurately determine

胸部X線から AIの目を通して

the race of the patient,

患者の人種が

no less the ethical implications of that,

これは倫理的意味合いが伴いますが―

from a chest X-ray through machine eyes?

正確に判断できるなんて 誰が予想したでしょう？

And interestingly, picking up the diagnosis of diabetes,

そして興味深いことに 胸部X線を通して

as well as how well the diabetes is controlled,

糖尿病の診断と糖尿病がどの程度 うまくコントロールされているかが

through the chest X-ray.

わかるのです

And of course, so many different parameters about the heart,

そしてもちろん

which we could never,

放射線科医でも心臓専門医でも

radiologists or cardiologists, could never be able to come up

AIビジョンで何がわかるか 想像もできなかったような

with what machine vision can do.

心臓のさまざまな パラメーターが見えてきます

Pathologists often argue about a slide,

病理学者は病理標本が 実際には何を示しているのか

about what does it really show?

議論することがしばしばあります

But with this ability of machine eyes,

しかしこのAIの目の能力があれば

the driver genomic mutations of the cancer can be defined,

がんの原因となるゲノム変異を特定できます

no less the structural copy number variants

ましてやその原因や 腫瘍に存在している

that are accounting or present in that tumor.

構造上のコピー数多型すら特定できます

Also, where is that tumor coming from?

その腫瘍はどこから来ているのでしょうか？

For many patients, we don’t know.

発生部位不明の患者さんが たくさんいます

But it can be determined through AI.

しかしAIはそれを判定することができます

And also the prognosis of the patient,

また あらゆるトレーニングを経ることで

just from the slide,

病理標本からだけで

by all of the training.

患者の予後がわかります

Again, this is all just convolutional neural networks,

繰り返しますが これはすべて 畳み込み ニューラルネットワーク (CNN) で

not transformer models.

トランスフォーマーモデルではありません

So when we go from the deep neural networks to transformer models,

ディープ・ニューラル・ネットワークから トランスフォーマー・モデルに移行すると

this classic pre-print,

最も引用された 査読前論文の１つである

one of the most cited pre-prints ever,

「Attention is All You Need」

"Attention is All You Need,"

と題された古典的論文によれば

the ability to now be able to look at many more items,

言語であれ画像であれ さらに多くの項目を

whether it be language or images,

見ることができるようになり

and be able to put this in context,

それらを文脈に当てはめることが できるようになり

setting up a transformational progress in many fields.

多くの分野で革新的な進歩が もたらされるだろうということです

The prototype is, the outgrowth of this is GPT-4.

これのプロトタイプは ChatGPT-４から派生しました

With over a trillion connections.

その接続数は１兆を超えています

Our human brain has 100 trillion connections or parameters.

人間の脳には100兆もの接続や パラメータがあります

But one trillion,

しかし その１兆に

just think of all the information, knowledge,

詰め込まれた すべての情報や知識を

that's packed into those one trillion.

考えてみてください

And interestingly, this is now multimodal with language, with images,

興味深いことに これは今では言語、画像 音声など種々の情報を組み合わせた

with speech.

マルチモーダルな処理です

And it involves a massive amount of graphic processing units.

それには膨大な量の 画像処理ユニットが関わり

And it's with self-supervised learning,

自己監督学習が行われます

which is a big bottleneck in medicine

これは 専門家が画像にラベル付けできず

because we can't get experts to label images.

医学では大きなボトルネックと なっているものです

This can be done with self-supervised learning.

これも自己監督学習で実現できます

So what does this set up in medicine?

これは医学にどのような影響を 与えるのでしょうか？

It sets up, for example, keyboard liberation.

たとえば 医師がキーボードから解放されます

The one thing that both doctors, clinicians

これは医師、臨床医、患者

and patients would like to see.

誰もが望むことです

Everyone hates being data clerks as clinicians,

臨床医の誰もがデータ入力作業を 疎ましく思うでしょう

and patients would like to see their doctor

患者は長い間待っていた受診の際には

when they finally have the visit they've waited for a long time.

かかりつけ医師に診てもらいたいと 思うでしょう

So the ability to change the face-to-face contact

そう あと一歩で 対面診療のあり方を

is just one step along the way.

変えられるところに来ています

By having the liberation from keyboards with synthetic notes

医師と患者との会話から 自動的に生成されるノートにより

that are driven, derived from the conversation,

医師はキーボードに入力や 記録することから解放され

and then all the downstream normal data clerk functions that are done,

しばしば業務時間外に行われる 全般の通常データ処理業務のすべてから

often off-hours.

解放されることができます

Now we're seeing in health systems across the United States

いま 米国の医療制度では

where people, physicians are saving many hours of time

医師たちが何時間もの時間を節約できる―

and heading towards ultimately keyboard liberation.

最終的にキーボードから解放される という方向に向かっています

We recently published, with the group at Moorfields Eye Institute,

私たちは最近 ピアース・キーン率いる ムーアフィールズ眼科病院の

led by Pearse Keane,

グループとともに

the first foundation model in medicine from the retina.

網膜医療における 最初の基礎モデルを発表しました

And remember those eight different things that were all done by separate studies?

そしてそれぞれ別々の研究によって 行われた8つの異なることを覚えていますか？

This was all done with one model.

今回はすべてが 1 つのモデルで行われました

This is with 1.6 million retinal images

これは160万枚の網膜画像が

predicting all these different outcome likelihoods.

さまざまな結果の可能性を 予測している様子です

And this is all open-source,

これらは全部オープンソースで

which is of course really important that others can build on these models.

皆がこれらのモデルを使い構築できることは もちろん非常に重要です

Now I just want to review a couple of really interesting patients.

さて とても興味深い 何人かの患者の話をしましょう

Andrew, who is now six years old.

アンドリューは現在６歳です

He had three years of relentlessly increasing pain, arrested growth.

彼は３年間絶え間なく増す痛みがあり 発育停止がありました

His gait suffered with a dragging of his left foot,

彼は左足を引きずるようにして 苦しそうに歩き

he had severe headaches.

ひどい頭痛持ちでした

He went to 17 doctors over three years.

彼は３年間で 17人の医者に診てもらいました

His mother then entered all his symptoms into ChatGPT.

そして 彼の母親は彼の症状をすべて ChatGPTに入力したんです

It made the diagnosis of occulta spina bifida,

ChatGPTは脊椎癒合不全との 診断を返しました

which meant he had a tethered spinal cord that was missed by all 17 doctors

つまり 彼は脊髄係留症候群で 17人の医師全員が見逃していました

over three years.

３年間にわたりです

He had surgery to release the cord.

彼は脊髄解放手術を受け

He's now perfectly healthy.

今では もうすっかり健康です

(Applause)

（拍手）

This is a patient that was sent to me,

これは私に紹介されて来た患者で

who was suffering with, she was told, long COVID.

新型コロナ後遺症と診断された 症状に苦しんでいました

She saw many different physicians, neurologists,

彼女はさまざまな医師や 神経内科医に診察されましたが

and her sister entered all her symptoms after getting nowhere,

なかなか埒が明かず

no treatment for long COVID,

新型コロナ後遺症の治療もなく

there is no treatment validated,

検証された治療法もなく

and her sister put all her symptoms into ChatGPT.

彼女の妹は姉の症状のすべてを ChatGPTに入力してみました

It found out it actually was not long COVID,

するとそれは新型コロナ後遺症ではなく

she had limbic encephalitis, which is treatable.

治療可能な辺縁系脳炎を 患っていたことが分かりました

She was treated, and now she's doing extremely well.

彼女は治療を受け 今では非常に元気になっています

But these are not just anecdotes anymore.

これらはもはや単なる逸話ではありません

70 very difficult cases

ニューイングランド・ジャーナル・ オブ・メディシンの

that are the clinical pathologic conferences

臨床-病理検討会記事で取り上げられた

at the New England Journal of Medicine

70件の非常に難しい症例を

were compared to GPT-4,

ChatGPT-4と比較したところ

and the chatbot did as well

チャットボットは

or better than the expert master clinicians

専門の熟練臨床医と同等か それ以上の診断を

in making the diagnosis.

行えていました

So I just want to close with a recent conversation with my fellow.

最後に 最近の私と同僚との会話で 締めくくりたいと思います

Medicine is still an apprenticeship,

医学はまだ徒弟制度で

and Andrew Cho is 30 years old,

アンドリュー・チョーは30歳

in his second year of cardiology fellowship.

心臓病学フェローシップ２年目で

We see all patients together in the clinic.

私たちは患者を一緒に診察しています

And at the end of clinic the other day,

そして先日の診療の終わりに

I sat down and said to him,

私は座って彼にこう言いました

"Andrew, you are so lucky.

「アンドリュー 君はとてもラッキーだ

You're going to be practicing medicine in an era of keyboard liberation.

医師がキーボードから解放される時代に 医師として働けるなんて

You're going to be connecting with patients

私たちが何十年も実現できなかった方法で

the way we haven't done for decades."

君は患者たちと意思疎通できるように なるだろう」

That is the ability to have the note

それは予め患者の情報の ノートが用意されていて

and the work from the conversation

患者との問診から必要だと導き出された

to derive things like pre-authorization,

事前承認や

billing, prescriptions, future appointments --

請求処理、処方箋、次回の予約など 患者さんへの指示を含め

all the things that we do,

医師に課せられた作業が

including nudges to the patient.

自動化されるからです

For example, did you get your blood pressure checks

たとえば 血圧測定を受けたのか

and what did they show

検査結果はどうだったか

and all that coming back to you.

そうした情報が用意されます

But much more than that,

しかしそれ以上に

to help with making diagnoses.

AIが診断を助けるのです

And the gift of time

そして 患者を診る前に

that having all the data of a patient

患者のデータがすべて用意されていたら

that's all teed up before even seeing the patient.

大事な時間の節約になります

And all this support changes the future of the patient-doctor relationship,

そして こうしたサポート技術のすべてが 時間という贈り物をもたらすことで

bringing in the gift of time.

患者と医師の関係の未来を変えると思います

So this is really exciting.

本当にエキサイティングです

I said to Andrew, everything has to be validated, of course,

私はアンドリューに言いました もちろん 検証の必要があるのは

that the benefit greatly outweighs any risk.

利益があらゆるリスクを はるかに上回ることだと

But it is really a remarkable time for the future of health care,

しかし ヘルスケアの未来にとって 現代は本当に素晴らしい時代です

it's so damn exciting.

とてもエキサイティングです

Thank you.

ありがとうございました

(Applause)

(拍手)