こんにちは。アイブンライターの清野です。

最新研究をサクっとキャッチアップできる「今週の5本」シリーズ。今週のメディカルAI編では、以下の5つの最新AI研究に注目していきます！

バックナンバーはこちら

今週のラインナップ
1. 医療データ整理が患者の満足につながる
2. 複数の医用画像を合わせてディープラーニングで学習させる
3. 超音波画像にディープラーニングは本当に有効？
4. 精密医療に欠かせない細胞研究を促進
5. 特徴量を選別しながら高精度で分類

今回も手術支援AIベンチャーCEOの河野健一医師にコメントをいただきました！

手術支援AI事業を展開している河野先生のiMed TechnologiesはAIエンジニアを募集しています！関心のある方はこの記事の下部をチェック！

医療データ整理が患者の満足につながる

1本目は、 機械学習を用いた「カルテの電子化と情報整理」についての研究内容を紹介します。カナダのレイクヘッド大学より、2020年5月14日に発表されました。

患者の医療データは診断、看護、研究に多くの情報を提供しますが、その多くが紙媒体に記録され、十分に活用できていませんでした。

そこでカナダのレイクヘッド大学のAyman D. Alahmarらは、紙媒体の情報を電子化すると共に電子カルテ情報を取り込み、SNOMED CT（Systematized Nomenclature of Medicine-Clinical Terms: 医学臨床用語体系化命名法）で用語の標準化を施し、医療情報の整理を行うシステムを開発しました。

これにより得られたクリニカルパス（入院診療計画書）のデータベースで機械学習を行い、脳卒中患者の入院期間を予測したところ、電子カルテ情報のみを使った従来の予測よりも高い精度を示しました。

著者らは、完全に自動化されたクリニカルパスは医療コストを削減でき、患者の満足度を向上させだろうと結論付けています。

ソース：SNOMED CT-Based Standardized e-Clinical Pathways for Enabling Big Data Analytics in Healthcare

この論文を選んだ清野（研究者兼ライター）の一言
私の関心は研究結果よりも、SNOMED CTの方へ向いています。人によって使う単語、カルテの書き方は異なり、はじめは指導医に矯正されます。その結果、職場ごとに「正しいカルテの書き方」のようなものが形成されます。SNOMED CTは、これらのバイアスを排除して標準化された意味内容を抽出でき、非常に興味深い仕組みに感じます。

河野先生（医師兼CEO）のコメント

紙カルテも電子カルテも規格化・構造化されていません。医師個人によって、病院によって、国によって、書き方が異なります。そのため、機械学習などを行うためには適切な前処理が重要となります。また、電子カルテメーカーの違いよっても、それぞれに特徴・制約があり、カルテの記載が異なってきます。

本研究は、前処理のさらに前にカルテの書き方を標準化して、精度を上げようという試みです。実用化に向けた最大のポイントは、医師がそれに従うかどうかです。個人的な経験ではなかなか難しいことが予想されます。そのため、国レベルで標準化の試みも行われています。

■関連記事：オンライン健康相談から医療データを抽出する方法

複数の医用画像を合わせてディープラーニングで学習させる

2本目は、「医用画像の融合」についての研究内容を紹介します。インドの終末弾道学研究所より、2020年5月29日に発表されました。