大腸内視鏡AIが見逃しを減らす、経験の浅い医師の検出率6%向上

効いたのは学習データの量そのものよりも、その一枚ずつに専門医の判断を書き込んでいった作り方だと考えられます。1万病変以上・25万枚という規模の内視鏡画像に対し、国立がん研究センター中央病院の専門スタッフが所見を付与しています。画像を撮るだけならどの施設でもできますが、そこに「どこが病変で、何と見るか」という専門家の読みが重なった瞬間、データは映像から判断の教材へ変わります。経験の差を埋めることが狙いなら、埋める材料もまた経験でなければならない——教師データの作り方が、そのまま目的に直結していました。

見つけにくい表面型や陥凹型の腫瘍に学習を寄せた配分も、性能を現場の課題に噛み合わせる工夫です。隆起して目立つ病変は、もともと人が捉えられる領域にあります。そこの精度をさらに上げても検査全体の見逃しはあまり減りませんが、人が苦手とする平坦・くぼみの領域に学習を集中させれば、同じ性能でも減らせる見逃しの幅は大きくなります。AIを万遍なく賢くするのではなく、人の弱点と重なる場所に力を配るという判断です。

現場への出し方も、検査の流れを妨げない範囲に絞り込まれています。AIが伝えるのは通知音と円マークだけで、医師に手順の組み替えを求めません。接続の面でも、主要メーカー3社の内視鏡に端末とモニターをつなぐ形をとり、機器の入れ替えを前提にしない構成になっています。判断の主役は医師のまま、気づきのきっかけだけを足す割り切りが、日常の検査に混ぜ込める形をつくったと見ています。