未分類」カテゴリーアーカイブ

スモールデータAIとは

「スモールデータAI(Small Data AI)」とは、大量のデータを使わずに学習・推論ができるAI技術のことを指します。従来のAI、特にディープラーニングは「ビッグデータ」を前提としてきましたが、スモールデータAIはそれとは対照的に、少ないデータからでも有用なモデルを構築できるのが特徴です。


🔍 背景と必要性

多くの産業や分野(医療・製造・災害対応など)では、以下のような理由でビッグデータが使えない/集めにくいことがあります:

  • ラベル付きデータが少ない(例:希少疾患の症例)
  • データ収集にコストや時間がかかる
  • プライバシーや機密性の問題

こうした状況に対応するために、スモールデータAIが注目されています。


🧠 具体的な技術

スモールデータAIを実現するための技術には以下があります:

技術名 概要
Few-shot Learning / One-shot Learning 少数のサンプルから分類・認識できる学習手法
Transfer Learning(転移学習) 大規模データで事前学習したモデルを小規模データに適用
Meta Learning(メタ学習) 学習の方法そのものを学ぶ。少数データに強い学習アルゴリズムを自動的に獲得
データ拡張(Data Augmentation) 少数のデータを増やす手法(画像回転、ノイズ付加など)
教師なし学習・自己教師あり学習 ラベルなしデータを活用するアプローチ

💡 スモールデータAIの活用例

  • 医療分野:希少疾患の画像診断支援(データが少ない)
  • 製造業:新製品の不良検出(過去の不良例が少ない)
  • 農業:地域ごとの土壌や気象に基づく生育予測

📌 ポイント

  • スモールデータAI = 少ないデータ × 高精度の推論
  • 学習済みモデルの活用人間の知識の統合がカギ
  • 「人間が少ない経験でも学習できる」ように、AIも少数データで学べるようにする方向性

(ChatGPT 4o)

 

医療分野における「スモールデータAI(Few‑Shot Learning 等)」の活用例を、実例・論文・商用技術を交えてご紹介します。


🩺 医療現場での応用事例

1. 緑内障の早期診断(眼底画像)

  • Few‑shot Learning using a Small‑Sized Dataset of High‑Resolution Fundus Images for Glaucoma Diagnosis(T. Kim ら, 2017, ACM)
    • 高解像度の眼底画像数百枚のみで緑内障の分類モデルを構築。少ないデータでも高精度に診断できることを示しています (sciencedirect.com, dl.acm.org)。

2. 3D医療画像(CT・MRI)のセグメンテーション

  • Few‑Shot Learning for Medical Image Segmentation Using 3D U‑Net and MAML(Alsaleh ら, Diagnostics 2024)
    • 3D‑U‑Net とメタ学習(MAML)を組み合わせ、CT/MRIの臓器セグメンテーションを少数サンプルから高精度に実現 (mdpi.com)。
  • Dynamic Few‑Shot Learning Framework for Medical Semantic Segmentation(EURASIP 2023)
    • 医療現場で継続的に蓄積されるCT/MRIデータに対して、疑似ラベル生成+自己学習でセグメンテーションを強化 (asp-eurasipjournals.springeropen.com)。

3. 歯周疾患の検知(パノラマX線写真)

  • Unsupervised few‑shot learning architecture for diagnosis of periodontal disease(Nature Sci. Reports 2024)
    • ラベル付きデータが少ない歯科領域で、無監督型few-shotにより歯周病の分類モデルを構築 (nature.com)。

4. COVID‑19と肺炎の迅速判定(CTスキャン)

  • CovidExpert: Triplet Siamese Neural Network for COVID‑19 Detection(arXiv 2023)
    • CTスキャン画像を用い、各クラス200枚の小規模データでCOVID‑19/一般肺炎/正常の分類を 98.7% 精度で実現 (arxiv.org)。

5. 医用テキストの自動注釈付け

  • Knowledge Graph‑Based Few‑Shot Learning for Label of Medical Reports(Sci. Direct 2025)
    • 医師レポートのラベル付与を自動化し、少数の例から有用な注釈モデルを構築。データ準備負担を軽減 (sciencedirect.com)。

📚 関連レビュー・ベンチマーク

  • Systematic review: Few‑Shot Learning in Medical Imaging(Sci. Direct 2024)では、多様な手法のまとめと分類を提供 (sciencedirect.com)。
  • Few‑Shot Learning for Medical Text: A review(Sci. Direct 2023):医療文書におけるfew-shot適用例51件を包括的に整理 (sciencedirect.com)。
  • FHIST: Few‑Shot Classification of Histological Images(arXiv 2022):組織検体の有限分類に向けたベンチマーク構築 (arxiv.org)。

🧪 商用・臨床応用例

  • Aidoc(臨床AI企業)
    • CT画像において、肺塞栓・頭蓋内出血・腹部異常などを自動検出。感度90%以上・特異度95%以上の実績あり 。
  • Quibim(スペイン発バイオテック)
    • MRIを用いた前立腺・肝臓などの自動解析。Radiomics(定量画像解析基盤)による少データ予測モデルも多数発表 。

✅ まとめ

  1. 眼科・歯科・呼吸器などでスモールデータAIの成功事例あり
  2. few‑shot, meta‑learning, self‑training などの技術がキー
  3. 論文だけでなくAidocやQuibimの商用AIでも採用されている

(ChatGPT 4o)

 

医療分野におけるAIの発展は、従来のビッグデータ活用だけでなく、限られた「スモールデータ」でも有効なAI技術の開発が注目されています。特に、データ量が少ない現場やプライバシー保護が重要な医療現場では、小規模データで動作するAIの実用化が求められています。

スモールデータAIの医療応用例

エッジAI・TinyMLの活用
TinyMLを用いた軽量AIチャットボットは、病院内のローカルサーバー上で動作し、患者データの安全な処理と迅速な応答を実現。患者識別や体温測定、医師がカスタマイズした問診を高精度(95%以上)で実施し、データは院内で安全に管理される(Johnvictor et al., 2024)。

臨床推論とスモールデータ
医療現場では大規模データが得られないことが多く、AI開発には小規模データと臨床推論のバランスが重要。抽象化や概念モデリングを活用し、医師の判断力とAIの協働が求められる(Koumpis & Graefe, 2024)。

スモールデータAI開発の課題と工夫

データ準備と拡張
医療画像AIでは、十分な量と質のデータ確保が困難。小規模・偏ったデータセットでは汎用性や有用性が制限されるため、データ拡張やフェデレーテッドラーニングなどの工夫が必要(Willemink et al., 2020; Castiglioni et al., 2021)。

バイアスと公平性
小規模データや特定集団のデータのみでAIを訓練すると、バイアスが生じやすく、誤診や一般化の失敗につながる。オープンサイエンスや多様なデータ収集が重要(Norori et al., 2021; Rajpurkar et al., 2022)。

医療AIの今後の展望

説明可能性と臨床的有用性
スモールデータAIでも、説明可能なAI(XAI)の導入や、臨床的に意味のあるエンドポイントの設定が求められる(Di Martino & Delmastro, 2022; Oren et al., 2020)。

多分野連携と倫理的配慮
医療AIの発展には、医師・AI研究者・倫理専門家の連携と、現場の実情に即した開発・運用が不可欠(Koumpis & Graefe, 2024; Lysaght et al., 2019)。

まとめ

医療分野では、スモールデータでも高精度・高効率に動作するAI技術の開発が進んでいます。データの質やバイアス対策、説明可能性の確保、多職種連携が今後の鍵となります。スモールデータAIは、現場のニーズや制約に応じた柔軟な医療AIの実現に貢献しています。

These papers were sourced and synthesized using Consensus, an AI-powered search engine for research. Try it at https://consensus.app

References

Johnvictor, A., Poonkodi, M., Sankar, P., & Vs, T. (2024). TinyML-Based Lightweight AI Healthcare Mobile Chatbot Deployment. Journal of Multidisciplinary Healthcare, 17, 5091 – 5104. https://doi.org/10.2147/JMDH.S483247

Koumpis, A., & Graefe, A. (2024). Considerations on the basis of medical reasoning for the use in AI applications. Frontiers in Medicine, 11. https://doi.org/10.3389/fmed.2024.1451649

Willemink, M., Koszek, W., Hardell, C., Wu, J., Fleischmann, D., Harvey, H., Folio, L., Summers, R., Rubin, D., & Lungren, M. (2020). Preparing Medical Imaging Data for Machine Learning.. Radiology, 192224. https://doi.org/10.1148/radiol.2020192224

Norori, N., Hu, Q., Aellen, F., Faraci, F., & Tzovara, A. (2021). Addressing bias in big data and AI for health care: A call for open science. Patterns, 2. https://doi.org/10.1016/j.patter.2021.100347

Lysaght, T., Lim, H., Xafis, V., & Ngiam, K. (2019). AI-Assisted Decision-making in Healthcare. Asian Bioethics Review, 11, 299 – 314. https://doi.org/10.1007/s41649-019-00096-0

Castiglioni, I., Rundo, L., Codari, M., Di Leo, G., Salvatore, C., Interlenghi, M., Gallivanone, F., Cozzi, A., D’Amico, N., & Sardanelli, F. (2021). AI applications to medical images: From machine learning to deep learning.. Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics, 83, 9-24. https://doi.org/10.1016/j.ejmp.2021.02.006

Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. (2022). AI in health and medicine. Nature Medicine, 28, 31 – 38. https://doi.org/10.1038/s41591-021-01614-0

Di Martino, F., & Delmastro, F. (2022). Explainable AI for clinical and remote health applications: a survey on tabular and time series data. Artificial Intelligence Review, 56, 5261 – 5315. https://doi.org/10.1007/s10462-022-10304-3

Oren, O., Gersh, B., & Bhatt, D. (2020). Artificial intelligence in medical imaging: switching from radiographic pathological data to clinically meaningful endpoints.. The Lancet. Digital health, 2 9, e486-e488. https://doi.org/10.1016/s2589-7500(20)30160-6

(consensus.app)

 

スモールデータAIの医療面での研究

  1. 少数データの学習でも正確な肝腫瘍抽出を学ぶ スモールデータAIを開発  高性能な医療AIを低コストで開発可能に 2025年6月17日 東京科学大学

肝臓学

肝切除の困難さについて

当初肝切除後の死 亡率は高く、1976 年の本邦の調査では 23%であった(3)。 肝は肝動脈門脈肝静脈の 3 つの異なる血管系が複雑に絡み合い、また肝背側には人体最大の静脈、すなわち下大静脈が存在する。門脈と肝動脈の血流 は、合わせて約 1.5 L/min であり(4)、血流が豊富なため切除術は出血過多にな りやすいという問題がある。また、肝切除時に腫瘍を含め一部の正常肝も同時 に切除されるが、残存肝容量が過小になった場合は、術後肝不全となり死亡率 が上昇するという問題もある(5)。… 世界中の肝臓外科医のたゆみない努力により、現在では肝切除 の安全性は飛躍的に高まり、周術期死亡率は 1.0%まで低下した(9, 10)。https://repository.dl.itc.u-tokyo.ac.jp/record/2009384/files/A39409.pdf

医科学ニュース2025

脳神経外科

脳動脈瘤

  1. 脳動脈瘤の破裂リスクの可視化へ、 患者別に血流を再現する解析手法を開発 2025年6月24日 公開 MRI画像とシミュレーションを融合し、治療判断の高度化に貢献 2025年6月24日 東京科学大学プレスリリース 実用的な計算手法の開発により、患者ごとに取得された4D flow MRI画像と数値流体力学解析を融合するデータ同化を用いて、高効率かつ高忠実に脳動脈瘤内部の血液の流れ(血流)を患者ごとに評価

肝臓学

再生医学

  1. iPS細胞からヒト肝臓の類洞血管を再構築 凝固因子分泌能を高めたオルガノイドの創出により、血友病の出血症状を改善 2025年6月26日 東京科学大学 肝臓に特有の血管「類洞(るいどう)」をもつ肝臓オルガノイドをヒトiPS細胞から作成し、第VIII因子(FVIII)などの凝固因子が高いレベルで分泌されることも確認。また、血友病Aモデルマウスへの移植実験で長期間にわたる出血症状の改善を確認した。

予後因子prognostic factorと予後予測因子prognostic predictorとの違い

予後因子」とは、基本的には「予後予測因子(prognostic factor / prognostic indicator)」のことを指します。

◆ 定義と使い方の違い

🔹 予後因子(prognostic factor)

  • ある疾患に罹患した後の病気の経過や生命予後に影響を与える要因のこと。
  • 治療とは無関係に、その因子が存在することで良い/悪い予後になる傾向がある。
  • 例:腫瘍のステージ、年齢、分子マーカー。

🔹 予後予測因子(prognostic predictor / predictive factor)

  • 厳密には「predictive factor」という言葉は治療反応を予測する因子を指すことが多く、
    • Prognostic factor(予後そのものを示す)
    • Predictive factor(治療効果の反応性を示す)
      という区別があります。

🔹 用語の整理

用語 英語 内容
予後因子 Prognostic factor 治療に関係なく予後に影響する因子
予後予測因子 Prognostic indicator Prognostic factorとほぼ同義(指標という意味が強調される)
治療予測因子 Predictive factor 特定の治療に対する反応性を予測する因子

「予後因子」と言うときには、通常「予後予測因子」の意味で使ってよく、英語では prognostic factorprognostic indicator が対応します。ただし、治療との関連を論じる場合は「predictive」と混同しないよう注意が必要です。

(ChatGPT 4o)

SGLT2阻害薬(糖尿病のお薬)の開発

 

SGLT2阻害薬と尿路感染・性器感染のリスク

SNSでも尿路感染や性器感染のリスクが話題になっていました。

  1. SGLT2阻害薬患者指導箋 JSNP版 https://www.jsnp.org/sglt2_sogaiyaku/ ⑥ 性器感染症・尿路感染症
  2. Risk of Urogenital Infections in People With Type 2 Diabetes Initiating SGLT2is Versus GLP-1RAs in Routine Clinical Care: A Danish Cohort Study Diabetes Care . 2025 Jun 1;48(6):945-954. doi: 10.2337/dc24-2169. https://pubmed.ncbi.nlm.nih.gov/40173095/
  3. Genitourinary Tract Infections in Patients Taking SGLT2 Inhibitors: JACC Review Topic of the Week Journal of the American College of Cardiology Volume 83, Issue 16, 23 April 2024, Pages 1568-1578 https://www.sciencedirect.com/science/article/pii/S0735109724004170?via%3Dihub Sodium-glucose cotransporter-2 inhibitors (SGLT2is)

SGLT2阻害薬の種類

  1. https://www.kegg.jp/medicus-bin/similar_product?kegg_drug=DG01665

カナグル(田辺三菱製薬) カナグリフロジン水和物

ジャディアンス(日本ベーリンガーインゲルハイム) エンパグリフロジン

エンパグリフロジン(ジャディアンス) – 代謝疾患治療薬

SGLT2阻害薬とメトフォルミンの併用

  1. Diabetes Medications – SGLT2 inhibitors – Canagliflozin and Metformin (Invokamet) Dr. Andras Fazakas チャンネル登録者 https://www.youtube.com/watch?v=pBCR5dgTXd0

SGLT2阻害薬とダイエット

SGLT2阻害薬とダイエット、カナグルの体重減少効果について

    参考

    1. https://koganei.tsurukamekai.jp/blog/dm_sglt2.html

    放射線科

    放射線科医の仕事とAIとの関係性について

    放射線科医にとっての右と左

    放射線科医と他の診療科の医師との関係

    ヘマトキシリン・エオジン(Hematoxylin Eosin:HE)染色

    プロトコール

    1. ヘマトキシリン・エオジン(Hematoxylin Eosin:HE)染色 組織標本染色メソッド https://pathologycenter.jp/method/he.html

    臨床検査技師国家試験

    1. 平成 25 年月 20 日 13 時 30 分 〜 16 時 00 分  50 H-E 染色標本0別冊No. 82を別に示す。 この臓器はどれか。 1.甲状腺 2.肝 臓 3.膵 臓 4.副 腎 5.精 巣 https://www.mhlw.go.jp/seisakunitsuite/bunya/kenkou_iryou/iryou/topics/dl/tp130422-05c.pdf 別冊No. 82 https://www.mhlw.go.jp/seisakunitsuite/bunya/kenkou_iryou/iryou/topics/dl/tp130422-05d.pdf 正答 https://www.mhlw.go.jp/seisakunitsuite/bunya/kenkou_iryou/iryou/topics/dl/tp130422-05e.pdf

    利益相反(Conflict of Interest, COI)とは

    利益相反(Conflict of Interest, COI)は、研究不正のニュースなどで出てくる話題のせいか、なんとなく「悪いこと」というイメージが付きまといますが、実際には、利益相反自体が「悪」というわけではありません。

    利益相反が存在すること自体は不正ではありませんし、非倫理的であることを意味するものではありません。しかし、二次的利益(個人的収入の獲得等)を重視し、利益相反の存在を隠したまま、職業上の責務に関する一次的利益(公益等)に直接関係してくる研究計画、データ採取や分析等にバイアスが生じた結果、大切な研究成果がかえって有害となる危険があります。 (e-APRIN)

    抗尿酸薬とは

    抗尿酸薬(尿酸値を下げる薬)とeGFRスロープには一定の関連があります。特に慢性腎臓病(CKD)や高尿酸血症の患者においては、腎機能の悪化(eGFR低下)と高尿酸血症の進行が関係しているため、抗尿酸薬がeGFRスロープに影響を与えるかどうかが研究されてきました。


    💊抗尿酸薬とeGFRスロープ:関係の概要

    代表的な抗尿酸薬:

    • アロプリノール(キサンチンオキシダーゼ阻害薬)
    • フェブキソスタット(同じくXO阻害薬)
    • ドチヌラド、ベンズブロマロン(尿酸排泄促進薬)

    🔍eGFRスロープへの影響

    ✅ 期待される効果

    • 高尿酸血症は腎臓に有害(尿細管障害や血管内皮障害、酸化ストレスなどを介して)。
    • そのため、尿酸値を低下させればeGFRの低下スピードが緩やかになる可能性がある、と考えられています。

    🔬エビデンスの状況

    • 一部の観察研究では、フェブキソスタットやアロプリノールの投与でeGFRスロープが改善したという報告があります。
    • ただし、大規模RCT(無作為化比較試験)では必ずしも明確な腎保護効果が示されておらず、抗尿酸薬によるeGFRスロープ改善効果は確定的ではありません

    例:

    • FEATHER試験(フェブキソスタット vs プラセボ):eGFRスロープに有意差はみられず。
    • CKD-FIX試験(アロプリノール vs プラセボ):腎機能悪化の抑制効果は示されず。

    📉一方で注意すべき点

    • 腎機能がすでに低下している場合、抗尿酸薬の種類や用量には注意が必要(特にアロプリノールは蓄積しやすい)。
    • 一部の薬剤は腎排泄されるため、腎機能に応じた投与量調整が必要です。

    🧾まとめ

    観点 内容
    理論的背景 高尿酸血症は腎機能悪化と関連があり、尿酸低下でeGFRスロープ改善が期待される。
    エビデンス 限定的。一部で改善効果が示されているが、大規模試験では明確な効果なし。
    臨床での位置づけ 抗尿酸薬は「腎保護目的」ではなく「尿酸管理目的」で処方されることが多い。