機械学習の基本概念

はじめに — 10万枚のX線画像がAIを「医師」に変える

機械学習の本質は「ルールをプログラムする」のではなく「データからルールを発見させる」ことです。10万枚のX線画像と放射線科医の診断を学習したAIは、新しいX線画像に対して「この影は肺炎を示す可能性が87%」と予測できるようになります。

しかし、この「87%」はどこから来るのでしょうか？ なぜ時に大きく外れるのでしょうか？ 機械学習の仕組みを理解することで、AIの出力を適切に評価できるようになります。

データ駆動型アプローチ — 「教わる」のではなく「学ぶ」

従来のプログラミング vs 機械学習

特徴量 — AIが見る「世界」

機械学習モデルに入力されるデータの各項目を**特徴量（feature）**と呼びます。AIの性能は、どの特徴量を選ぶかに大きく依存します。

訓練と評価 — AIの「成績」はどう測るか

訓練データとテストデータの分割

性能指標 — 感度と特異度

医療AIの性能を評価する最も基本的な指標が**感度（Sensitivity）と特異度（Specificity）**です。

過学習 — AIが「丸暗記」してしまう問題

過学習（Overfitting）とは

過学習を防ぐ方法

まとめ

機械学習は「データからルールを発見する」技術です。特徴量の選択、訓練/テストデータの分割、感度と特異度のバランス、過学習への対策が、AIの性能を左右する核心的な要素です。特に医療AIでは、ある病院で高精度でも別の病院で性能が低下する「汎化性能」の問題が重要であり、PMDA承認プロセスでも外部データでの検証が求められます。

次のレッスンでは、AIの能力と限界を具体的に学びます。