不確実性への対処 – ディープラーニングの可能性

推定の不確実性はあらゆる統計モデルに付随し、これにはモデルそのものの不確実性とデータに起因する不確実性の2種が存在する。結論が一貫すること、またそれが検証可能であることは、医療AIの臨床的有効性を担保するにあたって非常に大きな要素となる。

米カリフォルニア大学サンフランシスコ校やテキサス大学、シンガポール国立大学などの共同研究チームが公表した論文によると、過去30年間にわたる出版論文のメタ解析により、不正確な測定や欠測値、その他のエラーから生じる不確実性は高頻度に観察されるが、ここに潜在する問題の多くはディープラーニングによって対処できる可能性があることを明らかにした。研究チームは、不確実性に対処する古典的な機械学習手法(ベイズ推定・ファジー理論・モンテカルロシミュレーションなど)に比してディープラーニングは、ノイズを多く含む場合にも一般化し、強力なパフォーマンスを達成できる点を指摘する。

著者らは「医療データのノイズは必発と言えるが、ディープラーニングモデルの探求が解析結果の最適化に繋がる。不確実性の適切な定量化は、臨床的な意思決定のための重要な情報を提供するだろう」としている。

前の記事フェンタニルを識別する機械学習手法 – セントラルフロリダ大学
次の記事発熱した乳児にその検査と治療は必要か? – 低リスク患児を特定するAIモデル
TOKYO analytica
TOKYO analyticaはデータサイエンスと臨床医学に強力なバックグラウンドを有し、健康増進の追求を目的とした技術開発と科学的エビデンス構築を主導するソーシャルベンチャーです。
The Medical AI Timesにおける記事執筆は、循環器内科・心臓血管外科・救命救急科・小児科・泌尿器科などの現役医師およびライフサイエンス研究者らが中心となって行い、下記2名の医師が監修しています。

1. M.Okamoto MD, MPH, MSc, PhD
信州大学医学部卒(MD)、東京大学大学院専門職学位課程修了(MPH)、東京大学大学院医学系研究科博士課程修了(PhD)、ロンドン大学ユニバーシティカレッジ(University College London)科学修士課程最優等修了(MSc with distinction)。UCL visiting researcher、日本学術振興会特別研究員を経て、東京大学特任研究員など。専門はメディカルデータサイエンス。

2. T.Sugino MD
防衛医科大学校卒(MD)。大学病院、米メリーランド州対テロ救助部隊を経て、現在は都内市中病院に勤務。専門は泌尿器科学、がん治療、バイオテロ傷病者の診断・治療、緩和ケアおよび訪問診療。泌尿器科専門医、日本体育協会認定スポーツドクター。