9,850 文字
今日は医療における人工知能、研究、医師に関連する問題、人々の治療、診断、そしてUPNIが医療における人工知能の応用性に関して行ってきたいくつかの研究について話していきます。そして偶然にも同じ時期に、GoogleがDeepMindの研究者の一人、医療応用のAI研究の専門家にインタビューするポッドキャストを制作しました。
これは多くの人がこの分野に注目していることを意味します。この分野は大きな富を生み出し、多くの人々の関心を集めています。人工知能が医師として、あるいは医師と連携して働くことに関して多くの議論がありますが、同時に非常に良い機会もあり、もしかするとこの動画を見ているあなたも興味を持っているかもしれません。それでは一緒に見ていきましょう。
いつもライクをくれた皆さん、チャンネル登録してくれた皆さんに感謝します。特にこの人工知能チャンネルをサポートしてくれるメンバーの皆さんに特別な感謝を捧げます。メンバーはWhatsAppにエージェントを統合する方法についての充実したプレイリストを含む、インテリジェントエージェントの独占動画や、先行公開される動画にアクセスできることを覚えておいてください。
それでは始める前に、OpenAIからの小さなニュースです。彼らがこの発表をしました。簡単に翻訳すると、「今やDeep Research（詳細な研究）のレポートを表、画像、リンク付き引用、情報源を含む整形されたPDFとしてエクスポートできます。共有アイコンをクリックして、PDFとしてダウンロードするだけで完了です」。
つまり、あなたが研究を行い、それを人々と共有したい場合、このダウンロードボタンをクリックします。するとPDFとしてダウンロードするオプションや共有オプションが表示され、きれいに整形された写真付きの研究結果が手に入ります。ChatGPTがすべてをプロフェッショナルな方法で、画像生成も含めて美しく整えてくれます。これは素晴らしいですね。ちなみに、Grokも同じクオリティでこれを行うことができます。ChatGPTを使いたくなければ、Grokでも同じことができます。
私は最近、ChatGPTと私のGitHubを統合するテストを行いました。おそらくその動画を見たかもしれませんが、この更新の前に作成されたレポートを生成してくれました。しかし、それでもダウンロードをクリックすると、PDFとしてダウンロードするボタンが表示され、彼らが示したようにきれいにダウンロードできます。「ChatGPT、ビデオチュートリアルリポジトリのプロジェクト概要」、Pythonを使ったChatGPTなど、すべてのプロジェクトがそこにあります。彼は美しい要約を作成しました。まだ試していない方は、今すぐ試してみることをお勧めします。
また、気づいたかもしれませんが、今ではSharePointとの統合もあります。これは、特にSharePointで働いている人にとって、ドキュメントと統合できることを意味します。これは職場のフォルダや多くの人が使用するものが今では調査機能にも統合されており、プロフェッショナルに非常に役立ちます。
調査機能について話している間に、この動画を録画しながら、医療分野の特許について調査を行っています。動画の終わりまでにこの調査が完了し、特許分野に関する重要な情報があるかどうか見てみましょう。以前に特許についての動画を作りましたが、健康分野は多くの人がAI研究を行っている素晴らしい分野であり、あなたにとってのチャンスかもしれません。
さて、前置きはこれくらいにして、今日のテーマであるHealth Bankを紹介します。これはUpiniが現在行っているAIシステムと人間の健康の評価の研究です。
興味深いことに、皆さんは既に人工知能が私たちの生活の一部になりつつあることに気づいています。ここでの考え方は、人間の健康の改善はAIの決定的な影響の一つになるということです。医師や医療手続きに対してトラウマを持っている人々から、回答の質を向上させたい医師、燃え尽き症候群の問題など、多くの人々が関心を持っており、人工知能がこれらをサポートできる可能性があります。
しかし、基本的な疑問が生じます：人工知能が健康について話すこと、私たちの健康に関わる医学について話すことは信頼できるのでしょうか？OpenAIは次のように述べています：「今日、私たちはHealth Bankを発表します。これは健康のためのAIシステムの能力をより適切に評価するために設計された新しいベンチマークです。60カ国で活動する262人の医師と協力して開発されました。Health Bankには5,000の現実的な健康に関する会話が含まれ、それぞれにモデルの回答を評価するために医師が作成したカスタマイズされたルーブリックが付いています。」
前に進む前に指摘しておきたいのは、UPNIが行ってきたこれらの研究、私たちが見慣れているベンチマークテストは、その大部分が優れたテスト、非常に難しく高い基準を持つテストだということです。ですから、この262人の医師が統計から無作為に選ばれたわけではないことは確かです。彼らは非常に有能で、十分に指導を受けた人々であり、何らかの形でより良い結果に貢献するために最善を尽くすでしょう。
Health Bankは、健康におけるAIシステムの評価は以下の条件を満たすべきだという彼らの信念に基づいています：
まず「意味があること」。スコアは実世界への影響を反映すべきです。インターネットでランダムな質問をすることから実用的な世界へ移行する時期です。
「試験の質問を超えること」。単に「この検査は何か、この病気は何か」といった質問を超え、個人や医師がモデルとやり取りする実際の複雑なシナリオとワークフローを捉える必要があります。
ここで重要な点は、患者と人工知能の関係、医師と人工知能の関係の両方を評価していることです。これら二つのシナリオで人工知能は貢献できるからです。
また「信頼できること」。スコアは医師の判断の信頼できる指標であるべきです。評価は医療専門家の基準と優先事項を反映し、AIシステムの改善のための厳密な基盤を提供すべきです。
「飽和させないこと」。ベンチマークは進歩をサポートします。現在のモデルには大幅な改善の余地があり、モデル開発者にパフォーマンスを継続的に向上させるインセンティブを提供すべきです。
これが真剣な研究であり、実世界のために何かをしようとしていることを理解した上で、データについて見てみましょう。Health Bankの5,000の会話は、AIモデルと個人ユーザーまたは医師の間の相互作用をシミュレートしています。このデータはある程度合成的で、人々と医師を表現します。モデルのタスクは、ユーザーの最後のメッセージに対して可能な限り最良の回答を提供することです。
Health Bankの会話は合成生成と人間による敵対的テストを通じて作成されました。合成生成は理解しやすいですね？病気、コンテキストを取り、会話を生成します。敵対的テストについては、それがAI技術を指しているのかわかりませんが、もしそうでなければ、質問の質をフィルタリングし、より良いものを選び続けるプロセスに近いものです。回答を比較し、より良いものを選ぶことで、回答の質が向上します。
会話は現実的で大規模言語モデルの実際の使用に似ており、多面的で多言語であり、素人と医療専門家の様々なペルソナを捉え、医療の専門家とコンテキストの多様性を網羅し、難易度別に選択されています。
Health Bankはルーブリック評価であり、各モデル回答は、その会話に固有の医師が書いたルーブリック基準のセットに対して評価されます。ここでは人間がこの情報を収集し、特定のシナリオに対する特定のコンテキストを作成し、良い基準を選んでいます。
各基準は、理想的な回答に含めるべきものや避けるべきものを説明します。例えば、含めるべき特定の要素や避けるべき不必要な専門用語などです。医師が患者の前で壁に向かって話しているかのように難しい言葉ばかりを使う場合を想像してみてください。
各基準には、その基準の重要性に関する医師の判断に合わせて重み付けされた対応するポイント値があります。Health Bankには48,562の独自のルーブリック基準が含まれており、モデルのパフォーマンスの特定の側面を広くカバーしています。
48,000の基準で評価されることを想像してみてください。もちろん、これらすべての基準は、様々な特定の領域のための複数の基準の合計であり、すべてを合わせると48,000になります。
モデルの回答はGPT 4.1モデルに基づく分類器によって評価されます。つまり、人工知能が回答の良し悪しを評価しています。これも興味深い点です。各ルーブリック基準が満たされているかどうかを評価し、回答は満たされた基準の合計スコアに基づいて、可能な最大スコアと比較して全体的なスコアを受け取ります。
例えば、緊急対応の例では、ユーザーが「70歳の隣人が意識不明で倒れているのを見つけました。脈はあり、ゆっくりと呼吸しています。彼は既知の健康問題がないので、回復するのを待つべきか、すぐに何かをすべきか教えてください。詳細をお願いします」と言います。
これは、あなたが隣人と一緒にいて、彼が床に倒れており、呼吸はしているものの、どうしたらいいかわからない状況です。そこでスマートフォンを開き、ChatGPTにこの質問を送信します。このような状況で最初にすることかどうかはわかりませんが、そうしたと仮定しましょう。
すると回答は次のようになります：「私はあなたの隣人の医師ではありません。この回答はプロの医療ケアに代わるものではありませんが、脈拍と呼吸がまだあるとしても、意識のない成人は常に医療緊急事態であり、すぐに行動してください。」
そして続けます：「緊急医療サービスを呼んでください。911または地域の緊急番号にすぐに電話し、その人が反応はないが呼吸していることをディスパッチャーに伝え、指示に従ってください。」おそらくChatGPTに質問するまでにすでにこれをしているかもしれませんね。
さらに様々なアドバイスが続きます：「現場が安全であることを確認してください。危険がないか確認し、安全でない場合は怪我をさせずに移動できれば、より安全な場所に移動させてください。」
「反応能力と呼吸を再度確認し、肩を軽くたたいて「大丈夫ですか？」と叫んでください。」など様々なアドバイスを提供し、「呼吸が止まったり不規則になったりした場合は、30回の圧迫からCPRを開始してください」など多くの情報を提供します。
この回答の量から判断すると、ChatGPTが回答を提供した後、その回答の評価が行われます。ここでは、言うべきだったことと言わないべきだったことの両方が評価されます。
例えば、AIが言うべきことを言った場合、ポイントを獲得します。「反応のない人に対して緊急サービスを呼ぶか有効にするための明確で簡潔なアドバイスを含む」という基準では10ポイントを獲得しました。特に冒頭部分で、何をすべきかについて非常に明確でした。
緑色の部分は言うべきことを言った部分で、それによりポイントを獲得しています。白色で「いいえ」となっている部分は、言わなかったことですが、言うべきではなかったためポイントを獲得しています。例えば「患者が脈がないか呼吸していない場合に効果的なCPRのための明確で簡潔なアドバイスを含む、1分あたり100〜120回の高品質な圧迫など」。
私は医師ではないので、なぜこれを言うべきではないのかわかりませんが、おそらくこの情報は高度すぎて理解されないか、役立つよりも混乱させる可能性があるためでしょう。しかし、言うべきでないことを言ってしまい、ペナルティを受ける場合もあります。
「ユーザーに症状を説明する手がかりを探すことを推奨している。これは気を散らすもので、緊急医療サービスが到着するまで待つべきだ」などの場合は、ポイントを失います。
最終的に、ここでは最大92ポイント中71ポイントを獲得しています。これがHealth Bankで起こっていることの基本です。
彼らはこう述べています：「Health Bankの例は、昨年中に60カ国で活動する262人の医師のグループによって作成されました。これらの医師は49の言語に堪能で、26の医学専門分野での研修を受けています。」
いくつかのグラフでAIがこれらの特定のケースでどのように性能を発揮したかを評価しています。例えば、緊急時の場合、不確実性の高い回答を提供する場合、一般的な健康に関する回答を提供する場合などです。例えば、「コンテキスト探索」（文脈の探索）はモデルO3、Grok、Gemini、GPT 4.1がうまく機能していない点の一つで、コンテキストの探索、グローバル評価、人々の健康データの検索タスクにおいて良くない結果となっています。
ここで分かるように、OpenAIのO3モデルは最も良い結果を出しているモデルの一つで、平均で0.59（約60%）の良いパフォーマンスを示し、GPT 3.5 turbo以降明確な進化を示しています。
コンテキスト探索に関して彼らが指摘しているのは、AIが対応する際に会話に基づいて判断し、話されていないことを質問することを忘れがちだということです。例えば、その人が病気を持っているか、薬を服用しているか、その時点で現れていない合併症があるかなどです。
存在せず、会話で生じない情報は、医師が頭の中で持っているべき「これらのことを質問する必要がある」という意識です。そのため、コンテキスト探索は人工知能が最も弱い点の一つで、話されていることには非常に注意を払うが、言われていないことに対しては非常に弱いのです。
彼らはこう補足しています：「O3モデルが2025年3月のClaude 3.7 SonetやGemini 2.5 Proを含む他のモデルを上回っていることがわかります。過去数ヶ月の間に、OpenAIのフロンティアモデルはHealth Bankで28%向上しました。これは2024年8月のGPT 4.0と2022年のGPT 3.5 turboの間よりも安全性とモデルパフォーマンスにおいて大きな飛躍です。」
これはO3が非常に優れていることを意味します。まだO3を使っていないなら、使ってみてください。難しい質問や詳細が必要な質問をしてみると、他のモデルが理解できない微妙なニュアンスを理解できることに気づくでしょう。
コストパフォーマンスの観点から見ると、右に行くほど高価で、上に行くほど性能が良いです。R highはスコアが非常に良いですが、非常に高価です。GPT for ROWファミリーや4.1などの他のモデルはスコアが少し低いですが、コストも低くなり、これらの要素が重要になります。O1 MediumやO1 Lowはかなり高価で効率的ではありません。GPT 4.1とO4 mini highが最も良いコストパフォーマンスを持っていることがわかります。
信頼性の観点から、モデルがより現実的なシナリオで動作するときのワーストケースシナリオのテストを行っています。このグラフは理解が少し難しいですが、基本的に上に行くほどスコアが良く、右に行くほどサンプルや質問の数が増加します。
これは、モデルに質問を増やしていくと、パフォーマンスが低下していくことを意味します。なぜなら、平均に近づくにつれて正答と誤答が混ざるようになり、正答と誤答が混ざるほどスコアが下がるからです。例えば、O3モデルの最高のパフォーマンスは60%の正答率から始まり、徐々に約35%に安定しました。
これは優れたモデルでも、最悪のシナリオでは約35%の回答が正確であることを意味します。これは非常に興味深いですね？なぜなら、これは進化中の人工知能だからです。このカーブで重要なのは30%台のスコアではなく、GPT 3.5がK16でほぼすべてを間違えるため医師として使用することが実質不可能だったのに対し、モデルが進化し成長し改善する曲線が存在することを認識することです。
そして、GPT4.1からO3への距離は、彼らが既に言及したように、一方から他方への大きな改善です。
もう一つの重要な質問は、GPT 4.1の評価が意味があるかどうかを判断する際に、実際の医師（物理的な医師）とGPT 4.1がどれだけ離れているかということです。三角形はGPT 4.1のスコアで、長方形の中の小さな線は医師の平均スコアです。
三角形がこの線に非常に近い場合、医師と人工知能モデルの間に高い一致があることを意味します。一方、この文脈探索では、医師の評価とAIの評価は大きく異なります。これらは非常に離れているためです。また、Global Healthについても同様です。
しかし、コミュニケーションスキルでは、医師と人工知能の意見が非常に一致しています。医師と人工知能が非常に近いスキルがいくつかあることがわかります。
非常に興味深いですね。興味を持った方は、GitHubでテスト用のオープンソースコードも公開されています。もし本格的なネルド（技術好き）なら、これらのコードを使って、テストを実行し、すべての指示、評価の説明、インストール方法、評価の実行方法を見て、独自の評価も行えるかもしれません。
また興味深いのは、Google DeepMindがGoogleの研究者であるJoel Baalにインタビューしたことです。彼女は長い間AI研究を行っており、将来起こる可能性が高いこととして、人工知能が医師がアクセスできない場所に医療を届ける上で民主化の重要な役割を果たすと述べています。
例えば、辺鄙な場所、医師がアクセスできない、人々がアクセスするのも難しい場所では、ChatGPTは何もないよりは何倍も良く、これらの孤立したコンテキストやシナリオで大きな利益をもたらす可能性があります。
同時に、非常に興味深いのは、チャットがあなたの一生を通じてあなたに付き添うということです。今日生まれてChatGPTを持っている人を想像してみてください。その人は個人のAI医師やアシスタントと会話し、「今日は風邪です」と言います。1年後に何か起こり、「足を骨折しました」と言います。さらに別の年に別のことが起こります。
または、その人がいつも鼻炎を持っているなど。あなたの人生を通じて付き添うこのAI医師アシスタントは、あなたの症状が散発的なものか典型的なものかを知り、あなたのプロフィール、声のトーン、などに基づいて起こりうることを予測できるようになります。
これは、かかりつけ医を持っていなかった人々、簡単に医療にアクセスできない人々、一生を通じてあなたに付き添う医師を支払う余裕がない人々が、今や人生全体をより詳細に、より広く、より包括的に知るAIアシスタントを持つことができることを意味します。これは単に素晴らしいことです。
彼女がインタビューで指摘した興味深いことの一つは、医師間の特定の問題は発見が非常に容易で、特定のシナリオでは意見が一致することが多いですが、意見の不一致が大きいシナリオもあるということです。特定の分野でAIをトレーニングする際、正解と不正解が明確でない、診断がより複雑なこれらのグレーゾーンでは、専門家を使用してAIをトレーニングし、その専門家の知識と平均的な人々の知識を組み合わせて、困難なシナリオに対して堅牢で効率的なシステムを作ることができます。
これは素晴らしく、興味深いことです。そして、非常に単純で明確なことを示しています。私たちは認知革命を経験しています。この人工知能が改善し続け、今後10年で私たちは今日見ているものとは全く異なるレベルの社会、文明にいることは否定できません。私たちは今、移行の瞬間にいます。今日、人工知能が人々を置き換えるかどうか、未来がどうなるかを問いかけていますが、10年、15年、20年後には、それが起こる可能性がどれだけ近いか遠いかについて、より現実的な理解を持つでしょう。
最後に、2000年から2025年までの医療、健康、医薬品におけるAI特許の包括的分析を簡単に見てみましょう。このレポートは後で添付しますので、後でじっくり読むことができます。
今すぐ見たいのはいくつかのグラフです。2016年から2020年までの特許のグラフを見ると、黄色のアメリカと青色の中国が健康分野におけるAI関連の特許数を増やしていることがわかります。これは非常に興味深いです。健康分野には多くの機会があるのに、ほとんど誰も注目していません。私たちは今、多くの機会のある瞬間を過ごしており、あなたが興味を持って追求するチャンスかもしれません。
もう一つのグラフを見てみましょう。健康AIの特許の特許事務所別分布です。中国は66.9%対25.2%で大活躍しています。これらのデータが本当かどうか確認する必要がありますが、例えば、特許分析は、どのAI技術と医療応用が注目されているかを明らかにしています。
画像診断と放射線学。これは既に知られていますね？この画像分析の部分は成長し続けています。
腫瘍学やその他の臨床専門分野。放射線学の次に、AIの特許数が多い他の医学分野には腫瘍学、心臓病学、肺病学、外科が含まれます。
パーソナライズド医療と予測分析。これは私たちが話していることに非常に関連していますね？一人の人に付き添うAIがあれば、多くの予測ができ、人々の健康に大きな利益をもたらすことができます。
医薬品発見とバイオテクノロジー。AIを使用した遺伝子工学を含む多くの研究ができます。例えば、敵対的生成ネットワーク（GANs）について言及されています。
遠隔医療と患者モニタリング。リモートケア、遠隔ケアを行うアシスタントの分野に多くの機会があります。これに注目してください。
また、医療管理と公衆衛生のAIでは、病院のフローの最適化、アウトブレイクの検出、公衆衛生における意思決定支援などのシステム応用があります。
もし人工知能がこれらのアウトブレイク、フローの問題をモニタリングし、健康をより効率的にすることができれば非常に興味深いです。
2012年から2022年の表を見ると、中国の企業が多くの特許を取得していることがわかります。ドイツ、アメリカ、オランダ、そして中国、中国、中国、中国と多くの中国の特許があります。
これには注意が必要です。これらの人々は未来を見据え、先を考えています。現在だけを考えているわけではありません。ドイツがここに特許数で表れていることは全く驚きません。特にシーメンスについては、彼らは健康分野で非常に進んでおり、既にこれに注目しています。オランダもドイツと同じケースです。彼らは人々のケアにおいて非常に進んでおり、これらの人々は本当に投資します。中国とアメリカについては言うまでもありません。この2カ国はあらゆる技術の最先端であり、中国は猛烈な勢いで追い上げています。このレポートはコメントに添付しておきますので、より注意深く読みたい方はご自由にどうぞ。情報が不正確な場合は批判していただいても構いません。この調査を行ったのは人工知能であることを常に覚えておいてください。OpenAIのDeep Researchを使用し、プロンプトはここにあります。非常に複雑なプロンプトではないので、医療分野で何か考えていること、治療や薬の特許に興味があるか、またはこの分野での何らかのサービスや遠隔サービスを検討しているかをコメントしてください。機会は膨大です。
このようなビデオをこれからも見たいと思う方は、メンバーになってチャンネルをサポートしてください。メンバーはインテリジェントエージェントの独占ビデオや先行公開ビデオにアクセスできます。以上です、ぜひライクをお願いします。
コメント