Machine Learning
▼概要
Machine Learningは、データからパターンや規則性を学習し、予測や分類などのタスクを自動的に実行するArtificial Intelligenceの一分野である。
特に医療領域では、診断支援、予後予測、治療最適化などに応用が進んでいる。
▼基本構造
学習:
データから特徴や関係性を抽出
モデル:
入力から出力を予測する関数
推論:
新規データに対する予測
▼主な手法
Supervised Learning:
ラベル付きデータを用いた学習（分類・回帰）
Unsupervised Learning:
ラベルなしデータから構造を発見（クラスタリングなど）
Reinforcement Learning:
試行錯誤により最適行動を学習
▼医療応用
診断支援:
画像診断（Radiology, Pathology）
予後予測:
疾患進行や再発リスクの推定
治療最適化:
患者ごとの最適治療選択（Precision Medicine）
デジタルバイオマーカー:
EEGやウェアラブルデータの解析
▼本ケースでの役割
EEGデータから特徴量を抽出し、TMS治療の反応性を予測
特にL1-regularized logistic regressionなどにより、解釈可能なモデル構築が行われている
▼強み
非線形関係の捉え方:
複雑な生体データのパターン抽出
スケーラビリティ:
データ量増加に伴う性能向上
自動化:
意思決定支援の効率化
▼課題
データ依存性:
質・量に大きく依存
過学習:
小規模データでの汎化性能低下
解釈性:
ブラックボックス化の問題
バイアス:
データ偏りによる誤学習
▼医療特有の課題
再現性:
施設間での性能差
規制:
SaMDとしての承認プロセス
臨床実装:
医師の意思決定への統合
▼市場・産業構造
AI企業・医療機関・製薬企業が連携
単体アルゴリズムよりも、データと統合したプラットフォームが主流
▼VC視点での論点
コモディティ化:
アルゴリズム単体では差別化困難
Moatの源泉:
データ量・データ質・データ独占性
勝ち筋:
特定ユースケースに深く統合（vertical integration）
投資機会:
・医療データ特化AI
・意思決定支援システム
・データ統合プラットフォーム
▼参照
Goodfellow I et al. (2016) “Deep Learning”
Topol EJ (2019) Nature Medicine
Esteva A et al. (2019) Nature Medicine