医療向けMLの開発から学んだ教訓(1/2)

１．医療向けMLの開発から学んだ教訓(1/2)まとめ

・医療用MLモデルを開発する際には医療現場でのワークフローに組み込む方法を知る必要がある
・機械学習の実践者向けに医療用のMLソリューションを開発する方法を解説する文書を公開
・医療従事者向けにMLが臨床業務の改善にどのように役立つか理解するための文書を公開

２．医療用途で機械学習を活用する際の留意点

以下、ai.googleblog.comより「Lessons Learned from Developing ML for Healthcare」の意訳です。元記事は2019年12月10日、Yun LiuさんとPo-Hsuan Cameron Chenさんによる投稿です。

機械学習(ML:Machine learning)は医療領域では目新しいものではありません。

決定木やロジスティック回帰などの従来の手法は、確立された臨床決定ルール(例えば、心筋梗塞発生後に患者が抱えるリスクを推定するTIMIリスクスコア)を導き出すために一般的に使用されていました。

しかし、近年では、複雑な医療記録から有害事象を予測したり、遺伝子情報の解析精度を改善したり、様々な医療用途にMLを活用する事が急増しています。既知の疾患を検出することに加えて、MLモデルは、心血管リスク因子や網膜底写真からの屈折異常予測など、以前は知られていなかった予兆を検出する事ができます。

これらのMLモデルを開発する以外にも、それらを医療現場でのワークフローに組み込む方法を理解することが重要です。

以前の研究では、糖尿病性眼疾患の評価と転移性乳がんの診断において、「MLモデルの支援を受けた医師」は「医師」または「MLモデル単独」よりも正確である可能性がある事が示されています。同様に、医師はMLベースのツールをインタラクティブな方法で活用して類似の医療画像を検索することができ、医師がMLベースの支援ツールで効果的に作業できるというさらなる証拠も提供されています。

MLとヘルスケアが交差する領域での研究を改善するためのガイダンスとして2つの記事を執筆しました。これらは、Nature MaterialsとJournal of the American Medical Association(JAMA)に掲載されています。

1つ目は、機械学習の実践者向けです。医療用のMLソリューションを開発する方法をよりよく理解する事ができます。もう1つは、医師向けです。MLが臨床業務の改善にどのように役立つかよりよく理解する事ができます。

医療向け機械学習モデルの開発方法
Nature Materialsで公開されている「How to develop machine learning models for healthcare」で、ヘルスケア環境に固有のニーズをMLモデルの開発プロセス全てに確実に反映する事の重要性について説明しています。

これは、医療課題の選択、データの収集、MLモデルの開発から検証、評価、展開、監視に至るまで、ヘルスケアアプリケーションの技術開発プロセス全体で実行する必要があります。

最初の考慮事項は、取り扱う医療課題を決定する方法です。
・喫緊の臨床的ニーズがある事
・MLモデルに基づく予測が実用的な洞察を提供できる事
が好ましい条件となります。

例えば、糖尿病性眼疾患を検出するためのMLは、糖尿病が蔓延しており、それを診断する医療専門家の数が不十分な地域で患者をスクリーニング作業する負荷を軽減するのに役立ちます。

問題が特定されたら、データに適用されるグラウンドトゥルースラベル(正確性が担保されているラベルの事)、または参照標準(reference standard)の信頼性と正確性を確保するために、収集するデータには注意を払う必要があります。

これは、眼底写真などでは同じデータを専門家の解釈と比較してラベルを検証することによって、または放射線学的所見では生検などの直交手順(orthogonal procedure)でモデルの解釈を確認する事によって達成できます。

「モデルのトレーニング」と「モデルのパフォーマンスの正確な測定」の両方に高品質な参照標準データが不可欠であるため、これは特に重要です。つまり、機械学習に関わる実務家は臨床専門家と緊密に連携して、トレーニングと評価に使用される参照標準データの厳密さを保証することが重要です。