20260713 シンポジウム9 周産期・新生児領域におけるAIの現状と展望 大羽

第62回日本周産期・新生児医学会学術集会で発表した内容となります。
--------------------------------------------------
■セッション名：シンポジウム　9
■セッションテーマ：周産期・新生児領域におけるAIの現状と展望
■日　時：7月13日（月）　（16:30～18:00）
■会　場：第1会場 （パシフィコ横浜 会議センター　１F　メインホール）

Transcript

1. 第62回 日本周産期・新生児医学会学術集会 ・シンポジウム 9 周産期・新生児領域におけるAIの現状と展望 周産期領域における 非画像解析AI技術の現状と展望 ◦大羽 輝1，坂田 周治郎2，栗山 千晶2，中藤 光里2，末森 彩乃3，三苫 智裕4，牧 尉太5 1東北大学大学院医学系研究科公衆衛生学分野 2岡山大学産科婦人科 3福山医療センター産婦人科 4小池病院産婦人科 5フジハラレディーズクリニック産婦人科
2. 02 DISCLOSURE ／ 利益相反 利益相反（COI）の開示 筆頭演者氏名：大羽 輝 所 属 ： 東北大学大学院医学系研究科 公衆衛生学分野 本演題に関連して、開示すべき利益相反はありません。 謝辞 発表の機会を賜りました大会長 関沢 明彦 先生、ならびに座長の前川 亮先生、松岡 隆先生に 厚くお礼を申し上げます。
3. 03 目次 本日の内容 01 第1章 前提 02 第2章 実用 03 第3章 展望 04 第4章 私の見解
4. 04 目次 本日の内容 01 第1章 前提 02 第2章 実用 03 第3章 展望 04 第4章 私の見解
5. 05 多くの機械学習型AIの中核はパターン学習 我々は日々の臨床を“パターン”である程度判断している Ex）胎児推定体重、妊娠糖尿病の判定 これを自動化したいというのが基本的なモチベーション 第1章 前提 LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 521:436-444 (2015)
6. 06 「学習」 ≒ 「データから予測規則やパラメータを推定する過程」 胎児発育曲線やOGTT基準のように、従来は人が関数や基準を決めてきた。 変数が多く関係が複雑になると、関数や判断境界を人手で導くことは難しい。 → データからパターンを自動で獲得する技術が 機械学習 T.M. Mitchell, Machine Learning, McGraw-Hill (1997) 第1章 前提
7. 07 第1章 前提 人が式・特徴量を設計する手法から、特徴を自動で学習する手法へ Jordan MI, Mitchell TM. Machine learning: Trends, perspectives, and prospects. Science 349:255-260 (2015)
8. 08 第1章 前提 ｜ 大規模LLMとエージェント 大規模言語モデルとエージェント 大量のテキストで事前学習した巨大モデルが、道具を使い自律的に行動するエージェントへ進化 Moor M, et al. Nature 616:259-265 (2023) / Collaco BG, et al. npj Digit Med (2026)
9. 09 本日の道筋 ｜ 前提 → 実用 → 展望 → 私の見解 本日の内容 01 第1章 前提 02 第2章 実用 03 第3章 展望 04 第4章 私の見解
10. 10 第2章 実用 波形を「読む」AI ― CTGの判読補助と連続監視 深層学習が波形を判読し、連続監視で見落としを低らすための応用が期待される 全国多施設研究：正常／異常CTGの判別 内部検証AUC 0.880、外部検証AUC 0.862～0.895 分娩監視の補助、連続的な異常検知に活用できる可能性 McCoy JA, et al. Am J Obstet Gynecol 232:116.e1-9 (2025) ／ Park CE, et al. Sci Rep 15:19617 (2025)
11. 11 第2章 実用 声を「聞く」AI ― 産褥婦の声質で産後メンタル不調をスクリーニング Ooba H, Maki J, et al. Discov Ment Health 5:12 (2025). doi:10.1007/s44192-025-00138-0 周産期精神障害は妊婦の10–20%に発生。EPDSの主観性を補う客観的スクリーニング 客観的・非侵襲で問診に代わる一次スクリーニング補助への応用
12. 12 第2章 実用 相関ではなく「なぜ」を問うAI “因果効果や効果の異質性”まで迫る因果推論機械学習。 自験例 健康無関心と症状自覚・医療利用間の逆説的関連 H Ooba, et al. Health Indifference and the Inverse Association Between Symptom Burden and Healthcare Use: A Longitudinal Cohort Study from the Japan Society and New Tobacco/Infodemic Survey（投稿中, 2025） ［自験例］ 背景 結果 曝露
13. 13 第3章 展望 「予測」から「行動」へ ― 動的治療戦略 刻々と変化する患者状態と治療反応を踏まえ、逐次的な治療選択を最適化する応用が期待される。 強化学習は、将来の転帰を考慮した治療方策をデータから学習する枠組みとして機能。 Komorowski M, et al. Nat Med 24:1716–1720 (2018) ／ Collaco BG, et al. npj Digit Med (2026)
14. 14 本日の道筋 ｜ 前提 → 実用 → 展望 → 私の見解 本日の内容 01 第1章 前提 02 第2章 実用 03 第3章 展望 04 第4章 私の見解
15. 15 第3章 展望 モデルからエージェント、そして物理世界へ AIは単体モデルからエージェント・ロボットへ応用範囲を広げつつある 日経・Anthropic, Jun 12 and Jun 30, 2026／NVIDIA CES・GTC 2026／Moor, Nature 2023／npj Digit Med 2026
16. 16 第3章 展望 医療インフラとしてのAI 研究段階を超え、日常診療へのAI導入が世界で急拡大している。 導入競争と安全性の両立が各国共通の課題。 Lukac PJ, et al. NEJM AI. 2025 / DeepSeek-R1 nationwide survey. medRxiv. 2025
17. 17 第3章 展望 医療にAIを浸透させるためには Topol EJ. High-performance medicine. Nat Med 25:44-56 (2019) / Kelly CJ, et al. BMC Med 17:195 (2019)
18. 18 第3章 展望 現場レベルでのAI運用 日々の実務でAIを安全に使うための約束ごとを、現場レベルで標準化する 厚生労働省「医療情報システムの安全管理に関するガイドライン 第7.0版」2026年6月
19. 19 第3章 展望 データへの回帰 モデルが均質化するほど、AIの性能は“データの質”に回帰する。 自施設のデータ＝買えない資産 Moor M, et al. Foundation models for generalist medical AI. Nature 616:259-265 (2023)
20. 20 本日の道筋 ｜ 前提 → 実用 → 展望 → 私の見解 本日の内容 01 第1章 前提 02 第2章 実用 03 第3章 展望 04 第4章 私の見解
21. 21 第4章 私の見解 AIの有用性と欠点 見落とし低減の補助には有用、AI単独での確定診断は慎重に Rajpurkar P, et al. AI in health and medicine. Nat Med 28:31-38 (2022)
22. 22 第4章 私の見解 導入のボトルネック 力を入れるべきはAIモデルよりも「データと運用」 Rajkomar A, et al. Machine learning in medicine. NEJM 380:1347-1358 (2019)
23. 23 第4章 私の見解 社会実装と運用の注意点 現場主導で小さく実装、検証ループを回す。 データの取り扱いには注意。 WHO. Ethics and governance of artificial intelligence for health. WHO guidance (2021)
24. 24 ご清聴ありがとうございました 主な参考文献 1. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436-444. 2. Mitchell TM. Machine Learning. McGraw-Hill; 1997. 3. Jordan MI, Mitchell TM. Machine learning: Trends, perspectives, and prospects. Science. 2015;349:255-260. 4. Moor M, et al. Foundation models for generalist medical AI. Nature. 2023;616:259-265. 5. Collaco BG, et al. The role of agentic artificial intelligence in healthcare: a scoping review. npj Digit Med. 2026;9:345. 6. McCoy JA, et al. Intrapartum electronic fetal heart rate monitoring to predict acidemia at birth with the use of deep learning. Am J Obstet Gynecol. 2025;232:116.e1-9. 7. Park CE, et al. Automated interpretation of cardiotocography using deep learning in a nationwide multicenter study. Sci Rep. 2025;15:19617. 8. Ooba H, Maki J, Masuyama H. Voice analysis and deep learning for detecting mental disorders in pregnant women. Discov Ment Health. 2025;5:12. 9. Ooba H, et al. Health Indifference and the Inverse Association Between Symptom Burden and Healthcare Use. (Research Square preprint, 2025. doi:10.21203/rs.3.rs- 7584212/v1) 10. Komorowski M, et al. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med. 2018;24:1716-1720. 11. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56. 12. Kelly CJ, et al. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17:195. 13. Lee P, et al. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. NEJM. 2023;388:1233-1239. 14. Lukac PJ, et al. Ambient AI Scribes in Clinical Practice: A Randomized Trial. NEJM AI. 2025;2(12). 15. Rajpurkar P, et al. AI in health and medicine. Nat Med. 2022;28:31-38. 16. Rajkomar A, et al. Machine learning in medicine. NEJM. 2019;380:1347-1358. 17. WHO. Ethics and governance of artificial intelligence for health. WHO guidance. 2021.