將人工智慧（AI）應用於醫療（實用化）什麼是必不可少的？東北大學Medicinal HUB正聯合醫療現場、資料科學家以及AI研究人員推進開發各種醫用AI，本文將介紹東北大學大學院醫學系研究科Medicinal HUB宮田敏男教授的做法。宮田教授的團隊正在推進開發學習每個透析患者的情況，預測合適透析除水量的AI。
宮田敏男教授（提供：東北大學）
腎臟功能耗竭的晚期腎功能不全患者，必須進行每週3次、1次4小時左右的血液透析，以去除血液中的廢棄物及多餘水分（除水）。在日本，目前大約有35萬人一生都要不斷接受血液透析。
如果不能充分除水，體液就會積存，給心肺功能造成障礙。而過度除水會引起透析中的低血壓，導致患者產生身體不適甚至失去意識等多種病徵。在透析醫院，通常由1名醫學家、數名護士或臨牀工學技士等少量醫療人員，對數十名患者進行透析冶癒，一旦產生副作用，醫療人員便要進行對應，負擔甚重。透析中的低血壓發生頻度高達5～10%，因此爲每個患者設定適當的除水量非常重要。經驗豐富的透析專業醫學家會綜合考慮體重增加程度、患者的狀態等，根據經驗設定除水量。
宮田教授表示「我原本也是腎臟内科的，Medicinal HUB正在開發各種醫用AI，所以我想應該能讓AI學習過往的大量醫療資料，（模仿透析專業醫學家的處方）預測適當的除水量。從2019年開始，我們與透析專家、資料科學家以及AI研究人員開始着手開發。」
研究團隊與NEC北美研究所聯合開發的AI DCCN（Dual-Connel Combiner Network），利用從聖路加國際醫院及民間15家透析醫療設施取得的相當於日本患者數約1%的3000病例（透析次數80萬次）醫療資料進行了學習訓練。目前已經能在透析開始前，以90%左右精度預測透析中血壓下降（20mmHg以下）發生機率，並且預測的除水量與醫學家的經驗設定值僅有100～200毫升左右的偏差。對此宮田教授並不滿足：「爲了讓AI在醫療現場更好地發揮作用，我們正在嘗試提升AI本來的優勢——學習功能，以便開發出對每個患者進行學習的AI。」。
此次開發的DCCN透過學習80萬個透析資料，並基於通用的演算法進行預測。因爲透析患者每年會接受150次左右的透析，所以在通用的演算法的基礎上進一步學習個人透析資料，就有望提高AI的精度。出於這樣的考慮，研究團隊還正在開發個性化學習DCCN（P-DCCN）。
從大量醫療資料中學習醫學家的經驗（隱性知識），並對個別患者資料進行學習的個性化醫療對應型人工智慧（提供：東北大學）
宮田教授表示「人與機器不同，有個人差，醫療也正朝着個性化隊形變換。AI最大的缺點是在大資料中個人的特性會消失。例如，在服藥時，即使要求每天喫3次，也會有人只喫2次，偶爾還會有忘記喫藥的患者。學習了大量醫療資料的AI，再進一步學習各個患者的醫療資料後，就可以給出符合患者個人實際情況的預測」
東北大學與在血液透析方面的領軍企業Nipro、東北大學的生物初創企業Renascience簽訂了共同研究協議，以便將開發出來的AI實用化。
根據患者情況進行學習的AI符合個性化醫療的方向性，如果能夠實用化，不僅能解決醫療課題，還會對各領域的AI研究產生巨大的影響。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
