Microsoft Researchは2026年11月17日、AIで医療がどう変わるかを問うポッドキャストの新エピソードを公開した。出演者は、研究の進みは病院の現場より速いという点で一致している。エピソードのタイトルは「Can AI help build a healthier future?」で、Doug Burger氏が司会を務めるシリーズ「The Shape of Things to Come」の一編だ。

ゲストは3人。Microsoftの最高科学責任者であるEric Horvitz氏、Microsoft Researchのプリンシパルリサーチマネージャーで、Broad Instituteとの共同研究Project Ex Vivoの共同リードを務めるAva Amini氏、そしてScripps Researchのエグゼクティブバイスプレジデントを務めるEric Topol医師である。診断、医用画像、全人モデル、バーチャル細胞、創薬が話題になった。

Microsoftのチームは、AI診断について何を報告したのか

Horvitz氏は、診断AIの試し方が変わったと説明した。完成した症例をモデルに渡すのではなく、臨床医の立場に置く。主訴とわずかな病歴から始め、どの質問をするか、費用を考えてどの検査を出すか、不確実な中でいつ診断を下すかをモデルが決める。同氏はこれを逐次診断の課題と呼ぶ。

Microsoft Researchの論文ページには、主な数字が載っている。

  • 医師のパネルを模擬するAIシステムは、New England Journal of Medicineの臨床病理カンファレンス症例で正答率83.2%
  • MIMIC-IV-EDの救急外来入院例では80.3%
  • 一般医の正答率は、同じ2つのデータセットでそれぞれ36.1%と46.8%

要旨は、これらの結果が管理されたベンチマーク環境で得られたものだと明記している。Horvitz氏も番組で、一般医との比較には限界があることを踏まえるべきだと述べた。Topol氏は、医師や他の最先端モデルより高い精度を示した初のエージェント型システムだとし、精度は「ほぼ倍増」しながら費用は下がったと評価した。

Topol氏は、実証済みのAIがなぜ患者に届かないと言うのか

Topol氏は、業界が生成AIを追う一方で、より実証が進んだ分野を見落としていると指摘する。網膜、胸部X線、心電図などの医用画像の深層学習だ。10万人を超える女性が参加したマンモグラフィのランダム化試験と、大腸内視鏡の44件のランダム化試験を例に挙げ、成果が学術誌に眠っていると述べた。

理由は科学ではなく導入にあるという。医療機関は利幅が薄く、業界は変化に時間がかかり、医師も患者もこうした技術を求めていない。同氏は研究が医療に反映されるのを今も待っていると述べ、医師や患者からの圧力が動かす力になり得ると示唆した。

全人モデルとバーチャル細胞とは何か

Topol氏は、次の段階として全人モデルを挙げた。電子カルテに、生の画像、ゲノム、プロテオーム、エクスポソームなどを重ねる。狙いは、病気とその発症時期の予測、条件を変えた場合のシミュレーション、そして「リスクがある」と告げる段階から予防を可能にする段階への移行だ。バーチャル細胞はまだ先で、成熟した全人モデルのほうが先に実現するとみている。

Amini氏は、生物学が分子から細胞、臓器系まで多層であり、それらをつなぐことは機械学習の難題だと述べた。最大の懸念は実装で、モデルが何を解決するのか、実験科学者がどう取り入れるのかが課題だという。Broad Instituteとの協力は、それを下から築く試みだ。

生物学のAIを妨げているものは何か

Topol氏とAmini氏はいずれもデータだと答えた。Topol氏は、AlphaFoldが成功したのはProtein Data Bankがすでにあったからで、生命科学や医療にはそれに匹敵するデータセットがないと述べた。Amini氏は、タンパク質の配列と機能を大規模に結びつける、活動を重視したデータセットを求めている。

Amini氏とHorvitz氏は、モデルで実験を導き、ラボの時間を最も有望な選択肢に振り向けて費用と期間を減らす考えも語った。 Amini氏は、現実世界は常にボトルネックだと明言した。

価格

エピソードのページに価格の記載はない。動画再生、全文の書き起こし、Apple Podcasts、Spotify、メール、Android、RSSの購読リンクが用意されている。

どんな人に向くか

医療AIの動向を追う読者。 Microsoftの研究者と外部の医師科学者が、同意し、異論を述べ、自説に条件を付ける様子が聞ける。

病院や医療機関の管理者。 Topol氏の議論は、費用、利幅、インセンティブといった導入の壁に焦点がある。

生物学や機械学習を学ぶ学生と研究者。 データと検証をめぐる議論から、次の進歩の源が見える。

健康に関する助言を探している人。 研究の議論であり、医療上の助言ではない。ご自身の健康については、資格のある医療従事者に相談してほしい。

まだ分からないこと

これらのシステムがいつ診療現場で使えるようになるかは示されておらず、論文の結果はベンチマークでの結果だ。出演者自身も、実装、より良い生物学データ、実世界での検証がまだ足りないと述べている。

さらに知りたい場合は、Microsoft Researchのサイトでエピソードページを開いて書き起こしを読み、論文ページで要旨の全文を確認するとよい。