# AIはより健康な未来を築けるか？医療・生物学の最前線を語る

- 番組: [Microsoft Research Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c3n001x5o10yu4mnux4)（Researchers across the Microsoft research community）
- 元のタイトル: Can AI help build a healthier future?
- 配信日: 2026年11月18日
- 長さ: 56分
- 要約作成日: 2026年11月18日
- トピック: [#医療AI](https://ai-curator.jp/topics/%E5%8C%BB%E7%99%82AI) [#LLM](https://ai-curator.jp/topics/LLM) [#AlphaFold](https://ai-curator.jp/topics/AlphaFold) [#全患者モデル](https://ai-curator.jp/topics/%E5%85%A8%E6%82%A3%E8%80%85%E3%83%A2%E3%83%87%E3%83%AB) [#バーチャル細胞](https://ai-curator.jp/topics/%E3%83%90%E3%83%BC%E3%83%81%E3%83%A3%E3%83%AB%E7%B4%B0%E8%83%9E) [#合成生物学](https://ai-curator.jp/topics/%E5%90%88%E6%88%90%E7%94%9F%E7%89%A9%E5%AD%A6)
- URL: https://ai-curator.jp/podcasts/cmwkyeut100005o10r53kf3tg

## 要約

Microsoft Research の Doug Burger が、Eric Horvitz、Eric Topol（Scripps Research）、Ava Amini と、AIが医療・生命科学にもたらす変化を議論した回。逐次診断を行うエージェント型システムの成果、画像AIの社会実装の遅れ、全患者モデルとバーチャル細胞、データ不足というボトルネックが話題になった。最後に10年後の医療への期待が語られた。

## ポイント

- Horvitz は、AIに臨床医の立場で質問や検査を選ばせる「逐次診断」の枠組みを紹介し、複数の最先端言語モデルが高い能力を示したと述べた。
- Topol は、この研究を精度向上とコスト低下を同時に示した初の例と評価した。一方、マンモグラフィなど実証済みの画像AIが臨床に導入されていない点を問題視した。
- Amini は、生物学の課題は多階層（分子から患者まで）の統合にあると指摘した。また原子レベルの完全な解釈性は必須ではなく、必要なのは科学的発見に役立つ出力だという立場を示した。
- データ面の課題として、AlphaFold を可能にした PDB のような大規模データが医療・生命科学には欠けていると議論された。Amini は、活動・機能を測る「機能読み出し」型データの重要性を強調した。
- 計算コストが下がっても実験は常にボトルネックだが、AIが有望な実験を絞り込むことで実験の効率化に寄与し得るという見方が共有された。
- Horvitz は10年後に一部のがんの慢性疾患化やアルツハイマー病の進行遅延が実現すると予想し、Topol はさらに予防まで可能になると述べた。

## 章立て

- [00:00] **イントロと登壇者紹介** — シリーズの趣旨と、Horvitz、Topol、Amini の3人のゲストが紹介される。
- [03:09] **各者が見る現在地** — Horvitz は逐次診断の研究を、Topol は画像AIの実装の遅れと全患者モデルを、Amini は生物学AIの実装課題と多階層性を語る。
- [16:05] **生物学は抽象化できるか** — 計算機アーキテクトの視点から、生物学も階層的な抽象化で理解できるのかが問われ、完全な解釈性は不要という意見が出る。
- [21:11] **予防医療と医師・AIの関係** — 米国の医療制度が予防に向かない構造や、環境音声記録（アンビエントスクライブ）、診断エラー、AIの共感について議論される。
- [29:39] **コスト低下とデータのボトルネック** — トークンコストの低下が創薬や医療にどう効くか、実験が常にボトルネックである点、データ不足が議論される。
- [38:02] **次に必要なデータと注目領域** — 機能中心のデータセット、免疫系、老化の基礎メカニズム、新しい測定技術などが注目点として挙がる。
- [47:28] **生物のプログラミングと最後の展望** — 合成生物学による機能設計の可能性と、10年後の医療への期待が語られる。

## 解説記事

Microsoft Research Podcast の「The Shape of Things to Come」の今回の回では、ホストの Doug Burger が3人の専門家を迎え、AIが医療と生命科学をどう変えるかを語り合った。ゲストは、Microsoft の主任科学責任者 Eric Horvitz、Scripps Research の Eric Topol、Microsoft Research の Ava Amini。診断支援から創薬、データの制約、10年後の展望まで、楽観と課題の両面が語られた。

#### 診断を「臨床医の立場」で試す

Horvitz は、医療診断のベンチマークを「医療認知」の領域へ進めた取り組みを紹介した。症例の全情報を与えて診断精度を測る従来の方式とは異なり、AIに臨床医の立場を担わせる。初診時の主訴と病歴だけが与えられ、AIは仮説を立て、質問や検査を選び、検査の情報価値とコストを天秤にかけ、不確実性の中でいつ診断を確定するかまで判断する。これが「逐次診断」の課題だ。Horvitz は、複数の最先端言語モデルが高い能力を示したと述べている。ただし人間の一般医との比較には限界があり、割り引いて受け取るべきだとも断っている。

Topol はこの研究を、エージェント型システムが他の最先端モデルや医師より正確に診断し、精度がほぼ倍増しながらコストも下がった初の例だと評価した。AIが請求の上積みやコスト増に使われがちな現状との対比で、「精度が高く、しかも安い」点を強調している。

#### 実装が進まない現実

Topol は一方で、生成AIという「目新しいもの」に注目が集まる陰で、より実績のある医用画像の深層学習が活用されていないと指摘した。網膜、胸部X線、心電図などで有効性は示され、マンモグラフィでは10万人超の女性を対象にした無作為化試験もある。それでも臨床には使われていない。理由として、医療界が変化に慎重であること、財務的制約、低い利益率の病院が投資を避けることを挙げた。また医師も患者も強く求めていないことが背景にあるとし、患者側や患者を代弁する医師が動くことが推進力になり得ると述べている。

Amini も生物科学の側から同じ問題を指摘した。予測・生成モデルへの期待や投資は大きいが、それが何を解決するのか、実験科学者のワークフローにどう組み込まれるのかという実装のギャップが残っているという。Broad Institute との共同研究は、AI側と生物学側を下から統合する試みとして紹介された。

#### 全患者モデルと、生物学を理解するということ

Topol は次の段階として、電子カルテ、画像、ゲノム、プロテオームなどを統合した「全患者モデル」を挙げた。現状でも、電子カルテと多遺伝子リスクスコアの組み合わせで疾患の発症時期についてある程度の示唆が得られるという。ただし長期で深いデータはまだ大規模には存在しない。バーチャル細胞よりも先に、成熟した全患者モデルが実現するという見通しも示した。

Burger は計算機アーキテクトとして、「生物学も、チップのように階層的な抽象化で完全に理解できる日が来るのか」と問いかけた。Horvitz は、人体は多階層の動的システムであり、原子レベルまでの理解は期待できないとしつつ、因果モデルや解釈可能性の技術で複雑さを扱うべきだと述べた。Amini は問いを逆転させ、そもそもそこまでの解釈性は必要ないと主張した。数年先に実験で検証できる成果を出すには、科学者が必要とする出力が得られれば十分だという立場である。

#### データとコストのボトルネック

Burger は、トークンのサービングコストが年に4〜10倍の速さで下がっていると述べ、医療や発見のコストにどう影響するかを問うた。Amini は、有望な実験をモデルで絞り込み、ウェットラボの実験を高確信度のものに集中させる「計算と実験のトレードオフ」を挙げた。ただし実世界は常にボトルネックだとも述べた。Horvitz は、AIで「どこを見れば価値が最大か」を計算して実験を導く方向に最も期待していると語った。

Topol は本当の制約はデータセットだと指摘する。AlphaFold が成功したのは Protein Data Bank があったからで、医療や生命科学にはそれに匹敵するデータがない。Amini は、PDB が静的な構造であるのに対し、足りないのは活動や機能を測る「機能読み出し」のデータだと述べた。自身の Project Ex Vivo では、がん細胞の状態と免疫療法への抵抗性などの機能を結ぶ「状態-機能マップ」を作っているという。

#### 免疫、老化、生物のプログラミング

注目領域として、Topol は人間で計測が欠けている免疫系を挙げ、胸腺のAI評価ががん免疫療法への反応予測に使える可能性に触れた。Horvitz は老化の基礎メカニズム、特にDNAメチル化によるスイッチの維持の謎を解けば、複数の疾患を一度に予防できるかもしれないと述べた。Amini は、生物の階層をつなぐ新しい測定技術に期待を示した。

議論の最後には、望む機能を持つ生物をDNA配列から設計できるのかという問いが出た。Amini は、学部時代に大腸菌で状態機械を実装する合成生物学の研究をしていた経験に触れ、自然言語でタンパク質の機能を指定してAIが候補を設計できる現在を、長年の構想の進展として語った。

#### まとめ

本エピソードの特徴は、AIの能力そのものよりも「実装」と「データ」が鍵だという認識が3者に共通していた点だ。日本の読者にとっても、実証済みの技術が制度やインセンティブのために医療現場に届かないという指摘は示唆的だろう。研究開発側は、論文上の精度だけでなく、現場導入と、機能データの整備という課題に目を向ける必要がある。10年後の展望として、Horvitz は一部のがんの慢性疾患化やアルツハイマー病の進行遅延を、Topol は予防まで可能になる未来を挙げた。これらは出演者の見通しであり、実現が保証されたものではないが、今後の医療AIの方向性を考える手がかりになる。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Microsoft Research Podcast「Can AI help build a healthier future?」
