医師の画像診断レポートを約80%の精度で構造化、富士フイルムのAI開発

注目したいのは、一文の意味をAIに丸ごと理解させるのではなく、構造化を五つの判定へ分割した設計です。文の種類と対象臓器を見分ける、固有の用語を切り出す、所見や病変の有無を判定する、抽出した要素同士の関係を解く。工程ごとに問いを一つへ絞り込めば、それぞれのAIは狭い判断に集中でき、精度が出ない箇所がどの工程にあるのかも追いかけられます。専門性の高い文章ほど一括処理では誤りの原因が見えなくなりやすく、この分解は精度そのもの以上に、改善の手がかりを残す打ち手として効いたはずです。

医師特有の言い回しの解釈を、独立した工程として切り出した判断も見逃せません。「〜を認めません」という記述は、単語だけを拾えば病変の名称が並んでいるように見えますが、意味としては否定であり、「〜を否定しきれません」に至っては断定を避けた保留です。これを用語抽出のついでに処理せず、事実性の判定という専用の役割へ据えたことが、使えるデータへの構造化と、単なる単語の切り出しとを分ける分岐点になったのではないでしょうか。

表現の揺れを一意にまとめる仕組みを、RadLexや万病辞書といった公開されている医学コーパスを参考に、約28万語の独自辞書として組み上げた点も、この取り組みに固有の厚みです。加えて、大学との共同研究講座を通じて実際のレポート約20万件を扱える状態をつくり、画像診断の知見とドキュメント領域の自然言語処理技術という、社内でも別々に積み上がっていた蓄積を持ち寄っています。専門文書のデータ化は、モデルの性能より、その領域の言葉を誰がどう定義するかで結果が決まる作業であり、辞書づくりと現場データの確保に手間をかけた進め方が土台になったと見ています。