構造化電子カルテの臨床予測タスク向け説明可能なTransformerモデル

医療の現場で、AI（人工知能）が患者さんの病状を予測する技術が進んでいます。例えば、皆さんが病院で受けた検査の結果や、過去の病歴といった「構造化電子カルテ（EHR）」と呼ばれるデータを使って、AIが将来の病気のリスクなどを予測するんです。これは、AIが医療の診断や治療を助ける上で、とても重要な役割を担っています。

でも、これまでのAIモデルには、ちょっとした課題がありました。それは、「なぜその予測になったのか」が分かりにくい、ということ。AIが「この患者さんは将来、〇〇病になるリスクが高い」と予測したとしても、その根拠となった検査結果やデータが何なのか、私たち人間にはすぐに理解できないことが多かったのです。これでは、お医者さんや看護師さんがAIの予測を鵜呑みにするわけにはいきませんし、最終的な判断を下す上で、少し心もとないですよね。

そこで、東京大学の研究者たちが新しいAIモデル「BERT-LER（バート・ラー）」を開発しました。このBERT-LERは、これまでのAIの「予測能力」と「説明能力」という、両方の面で優れているところがポイントです。具体的には、7500万人分もの、たくさんの患者さんの匿名化されたカルテデータをAIに学習させました。その上で、検査結果などの情報を、AIが理解しやすい「トークン」という小さな単位に分けて、モデルに組み込んでいます。この工夫のおかげで、BERT-LERは単に予測するだけでなく、「この検査結果が、この予測に強く影響している」というように、予測の根拠を分かりやすく示してくれるのです。

この「説明できるAI」は、医療現場にとって大きな進歩と言えます。お医者さんたちは、AIの予測をただ受け取るだけでなく、その根拠を理解した上で、より確かな臨床判断を下せるようになります。例えば、AIが特定の検査結果を重視していると分かれば、その検査結果についてさらに詳しく調べる、といった次のアクションにつながるかもしれません。AIが「なぜ？」を教えてくれることで、医療従事者の信頼感が高まり、患者さんへのより質の高い医療提供へとつながることが期待されています。