医療分野におけるAI活用は、単純な新技術の導入ではなく、医療の意思決定全体に大きな影響を与えるものです。

診療や研究開発など、医療のさまざまな場面でAIが関与する機会が増える中、AIは人の判断を補助するものとして位置づけられています。

また、センシティブな情報も含まれる医療分野の性質を踏まえ、技術的な有用性だけでなく、社会的な信頼や受容性を考慮する必要性が重視されてきました。

こうした前提のもと、ここではAI診断支援システムの進化や実例、費用対効果や製薬企業における活用、倫理面などの課題について説明します。

AI診断支援システムの進化と実例

　AI診断支援システムは、過去のデータから傾向や特徴を学習し、パターンを認識する仕組みを持つとされています。

この特性により、画像や生体信号、記録情報など、形式が一定でない情報を扱えるようになったことが、医療分野での応用が広がったと考えられています。

一方で、AIの出力は常に一定ではなく、学習時に想定された条件や前提の影響を受けるものです。

AIの結果を利用する際には、どのような前提条件のもとで示されたものなのかを理解し、その妥当性を目視することが大切です。

AI診断支援システムとは？主な活用分野と特徴

　AI診断支援システムは、医療現場における診断や治療方針の検討を支援することを目的として活用されているソフトウェアです。

AI診断支援システムの位置づけと基本的な特徴は以下の通りです。

• 診断や治療方針の検討を支援するためのソフトウェア
• 結果が医療判断に影響する可能性があるため、医療の一部として扱われる
• 医師の判断を置き換えるものではなく、補完する役割を担う

AIは、人が短時間ですべての情報を把握することが難しい場面において、判断を支援する役割が期待されています。

具体的には、医用画像の解析を通じて画像情報の把握を助けるほか、心電図や脳波データなど生体信号の評価によって状態の把握を支援する場面などが想定されます。

また、治療計画の検討を補助するため、参考情報を提示する役割も想定されています。

これらのような場面でも、AIはあくまで判断材料を補完する位置づけであり、医師の判断に代わるものではありません。

そのため、AIが示す結果をどのように参照し、どこまでを判断材料として扱うかをあらかじめ整理しておくことが重要です。

画像診断AI・投与計画最適化AIの最新事例

　近年、医療AIは画像診断や治療支援の領域で実用化が進んでいます。

画像診断AIでは、X線CT、MRI、内視鏡画像などを解析し、診断を支援する事例が増えており、内視鏡画像を活用した診断支援AIや、心電図データを利用した不整脈検出AIなども実用化が進んでいます（参考1）。

治療計画や投与設計を支援するAIの活用も進められており、患者データや検査結果をもとに、治療方針や投与量の検討を支援するAIの研究開発が進められており、がん領域などにおいて個別化医療への応用が期待されています（参考2）。

医療AI導入の費用対効果と製薬企業の戦略的活用

　医療AIの導入は医療の質向上や研究開発の効率化につながる可能性があります。
ただし、その効果の評価方法については、目的や状況により、ケースごとに評価すべきポイントを分ける必要があります。

ここでは、製薬企業が戦略的に医療AIを活用するために、ROIや運用コストから見る導入のメリットや製品・サービスへの活用、導入のステップについて、説明します。

ROIや運用コストから見る導入メリット

　新薬開発における研究開発費の高騰や成功率低下から、製薬業界へのAI導入は、特に創薬ターゲット探索や候補化合物設計、ゲノム解析、治験支援などで、大量のデータを高速に解析できる点において注目されています。

一方で、導入において注意が必要なのは、データの管理体制やセキュリティに関することです。

AIの出力は、学習データや環境によって変化します。また、機密性の高い個人情報を扱うため、セキュリティ面への配慮も欠かせません。

メリットだけでなく、管理・運用コストが長期にわたり必要になることも留意しておく必要があります。

現状では、創薬プロセスにおけるAIの活用は国内外で研究開発が進められており、今後も市場の拡大が見込める分野です。

化合物の設計やプロファイル予測、分子標的薬の選定、バイオマーカー探索など、AI創薬の市場規模は2025年で40億円とされており、2035年には2,000億円になるとの予測もあります（参考3）。

市場動向や導入メリット、運用コストを理解したうえで取り組むことで、ROIの達成にもつながりやすいでしょう。

製薬企業における製品・サービス企画への応用

　製薬企業において医療AIは、創薬・臨床開発・サービス企画に応用されます。

例えば、医薬品開発の各フェーズでは、以下のようなAI活用が進んでいます。

・創薬ターゲット探索の高速化
・候補化合物の設計支援
・ゲノム解析による患者層別化
・治験候補者選定や組み入れ支援
・臨床データ解析の効率化
・文献調査や報告書作成の自動化
・社内での知識検索/データ共有
・市販後安全性情報（PV：Pharmacovigilance）の管理・分析支援

AIを活用することで、創薬ターゲット探索の効率化や開発期間短縮、研究開発コストの最適化が期待されます。

導入ステップ：現状分析からPoCまでの流れ

　DXが推進される昨今、AIを導入する際には、その検証作業が必要です（参考4）。

IT業界やその他の業界に限らず、製薬企業においても、新しいサービスや製品を導入する際には概念実証という意味を持つPoC（Proof of Concept：概念実証）を実施することで、AI導入が自社で実現可能かを見極めることができます。

AIの導入を考える場合、以下がPoCまでの基本的な流れです。

1. 秘密保持契約の締結
2. 社内での使用可能性や解決したい目的を確認
3. 必要データの用意／提示
4. 小規模での検証
5. レポートや報告書としてまとめる
6. 報告書の確認や結果の評価
7. 導入に移行するかどうかの決定

企業間でPoC契約を結ぶ場合には、双方が将来的な研究開発契約を結ぶことを目指していること、秘密保持契約を締結したうえでPoCの段階に臨むこと、検証の目的が定まってからPoC契約を結ぶことが重要なポイントです。

過去には、本開発の可能性をちらつかせる無償のPoC依頼が連続する事例があり、現在は特許庁からPoC契約に関する資料が公開されています（参考5）。

製薬企業においても基本的な流れは同様と考えられるため、詳細な事例解説や基本的な考え方を理解するために、確認することが推奨されます。

医療AI倫理とWHOの6原則：現場導入で問われる課題

　医療AIをめぐる議論では、倫理やガバナンスの観点から基本的な考え方が整理されてきました。
これらの考え方は、技術の有用性を否定するものではなく、むしろ医療分野で持続的に活用していくための前提条件として位置づけられています。

ここでは、WHOによる2021年のヘルスケア分野のAI倫理やガバナンスに関するガイダンスで紹介された以下6つのコア・プリンシプルをもとに説明をします（参考6）。

1. 人間の自律性、個人の自律性の保護
2. 人の福利、人の安全、公共の利益
3. 透明性、説明可能性、明瞭さ
4. 説明責任、実施上の責任
5. 包摂性、公平さ
6. ニーズへの対応、修理・更新も見据えた持続可能性

技術導入後に問題が顕在化するのではなく、事前に論点を整理しておく姿勢が、結果として安定した運用につながります。

自律性保護・公平性・説明可能性の具体的運用

　まず、医療AIの活用では、AIの出力内容を無条件に信じるのではなく、人が自律性を持って適切に判断することが大切です。

医療分野においては、生成AIや診断支援AIの使用時、AIが提示した内容を医療従事者が確認し、必要に応じて修正・補完する体制が求められます。

次に、医療AIでは公平性の確保も重要な課題です。学習データに偏りがある場合には、特定の年齢・性別・人種・疾患群で性能差が生じる可能性があります。そのため、開発段階からデータバイアスを確認し、多様なデータを利用した検証をする必要があります。

説明可能性については、医療現場では「なぜその結果になったのか」を説明できなければ、その後の診療や研究で利用しにくい場面があります。

診断支援AIであれば、役割はあくまで支援であり、最終的な判断は人が行わなければなりません。

ブラックボックス問題と法的責任の明確化

　医療AIでは、深層学習を活用した高度なモデルが増える一方で、「なぜその結果になったのか」が分かりにくいブラックボックス問題も課題として指摘されています。

特に診断支援や治療提案など、人の生命や健康に関わる領域では、AIの判断根拠を十分に理解できないまま利用することで、患者に重大な危険を及ぼす可能性があります。

例えば、画像診断AIがどのような要素を重視して判断したのかを完全に把握できないケースを想定した場合、AIの出力だけで判断するのではなく、医師が診療情報や検査結果を総合的に確認しながら活用する運用が重要になります。

データガバナンスと第三者評価の必要性

　医療AIでは、診療情報や画像データ、ゲノム情報など機微性の高いデータを扱うため、適切なデータ管理体制が重要です。特に製薬企業や医療機関では、安全性とデータ利活用を両立する仕組みづくりが必須です。

例えば、データ匿名化による個人情報保護、アクセス権限管理、学習データ品質の確認、共同研究時の責任範囲の整理などが、データガバナンスと関連します。

医療AIでは、学習データの偏りによって性能差やバイアスが生じる可能性もあります。そのため、継続的な性能モニタリングや第三者評価を行いながら、運用品質を維持することが求められます。

【まとめ】医療AIの実用化に必要な視点と今後の展望

　医療AIは、診断支援や創薬、業務効率化など幅広い領域で活用が進んでいます。特に製薬業界では、全ゲノム解析やAI創薬など、大規模データを活用した研究開発への期待も高まっています。

一方で、医療AIの実用化では、単にAIを導入するだけではなく、安全性や説明可能性、公平性、データガバナンスまで含めた継続的な運用体制が重要です。WHOの6原則や、国際社会でも共通課題として認識されているTrustworthy AI（信頼できるAI）の考え方でも、人間による適切な判断や継続的なモニタリングの必要性が重視されています。

今後は、産学連携やデータ共有基盤の整備が進むことで、医療AIの活用範囲はさらに拡大すると考えられます。製薬企業においても、AIを単なる効率化ツールとしてではなく、研究開発や医療提供を支える基盤技術として活用していく視点が重要です。

参考文献

（参考1）内閣府ホームページ「医療等データの利活用推進に向けて－医療機器産業界の立場より－」
（参考2）厚生労働省「全ゲノム解析等実行計画（第１版）」
（参考3）AIセーフティ・インスティテュート「ヘルスケア領域におけるAIセーフティ評価観点ガイド ～Trustworthy AI（信頼できるAI）の実現を目指して～（第1.0版）」
（参考4）特許庁「技術検証（PoC）契約書（新素材）」
（参考5）特許庁「技術検証（PoC）契約書（新素材）」
（参考6）日本医師会「医療 AIの加速度的な進展をふまえた生命倫理の問題」について」