先生は学生時代、数学がとても得意だったそうですね。

はい。高校生のときは数学オリンピックに出場していたので、毎日10時間以上、整数論やグラフ理論、幾何学などを勉強していました。ですが、上位選手にどうしても追いつくことができず「数学者になっても人の背中を追いかけ続けるのは嫌だ」と諦めて、東京大学の医学部に進学しました。大学入学当初から脳の仕組みや人工知能に興味があり、「診断や治療ができる人工知能」の研究をしたいと思ったからです。

10年以上前から、この研究テーマに繋がるイメージを抱いていた、ということですか。

ただし、理論を構築できても、当時はそれを検証するためのデータがありませんでした。理化学研究所に所属を移し、2016年に「医科学イノベーションハブ推進プログラム」が始まったことで、ようやく臨床データを扱えるようになったのです。

領域代表者の桜田一洋先生、共同代表者の古関明彦先生も、このプログラムに参加されていますね。

桜田先生もおっしゃっていたことですが、同じ病気の患者であっても、個々の病態には差があります。そのため、単一モデルに基づいた治療を行っても、同じ結果は出ません。

本来、医療は患者一人ひとりの疾患の特徴を見極めた上で、適切な治療を行うべきですが、それを実現する方法がなかったため、医師は「これまでの経験から効果があると期待できる治療法」を選択するしかありませんでした。しかし、臨床現場においても「まずはこの薬を１カ月服用して、様子を見ましょう」などという非効率的な治療を繰り返すことへの問題意識が高まり、層別化医療（バイオマーカーを用いてある疾患に属する患者を複数のグループに分類し、各グループに適した治療を行う医療）の実現が求められるようになってきたのです。

1,000人の患者さんに対して1,000通りの治療を行うのは不可能でも、層別化によって患者を分類し、適切な治療を施すことは可能、ということですか。

そうです。ここで活躍するのが、機械学習です。

臨床データは、極めて多くの要素を含んでいます。大学病院で扱っているデータの項目数は、数百から数千、疾患の種類や患者の状態によっては数百万にものぼります。その中から疾患に関連する測定項目を抽出し、複合的に判断して、共通する特徴を持った患者のグループを作る必要があります。

医療分野における機械学習といえば、一般的には「画像診断」が有名ですが……。

たとえば、皮膚ガンとは関係ない画像128万枚を機械に学習させた後、14種類の皮膚ガンの画像13万枚を学習させると、およそ皮膚科医と同じ精度で皮膚ガンを識別するアルゴリズムを作ることができます。

しかしそのアルゴリズムを、他の疾患の画像診断に適用することはできません。疾患ごとに大量の画像データを学習させ、新たなアルゴリズムを構築する必要があります。また、画像データだけから医学的に新しい知見を見出すことは、困難です。

そのため私は、画像ではなく患者の臨床データから疾患を層別化し、患者ごとの状態遷移を予測する機械学習モデルの構築を目指したのです。

これまでの医学の問題は、多様性を意識せず、集団の平均を評価して議論してきたこと