Meta の研究部門は10月14日、自社の AI モデル Muse を使って健康データの研究を進める試みの結果を公開した。心臓病学や感染症などを専門とする医療研究者が4週間かけて AI と研究を進め、10本の論文原稿をまとめたという。
数学のように答えを機械で確かめられる分野と違い、健康の研究は、不完全な現実のデータと、誰を比べるか・何を測るかといった重い選択の上に成り立つ。そうした分野で、AI は研究のどこを速くし、人はどこに残るのか。研究や分析を仕事にする人にとっての意味を考える。
AI が担ったこと、人が担ったこと
Meta が組んだのは、本人たちが「人が主導する AI の仕組み」と呼ぶ体制だ。AI は研究の各段階を速めるが、科学的な判断と結論の責任は専門家が持つ。
道具は、Muse Spark 1.3 と Muse Wonder を組み合わせた社内向けのプログラミング環境で、公開データに加えて、使用許諾を得た約500万人分の匿名化された電子カルテのデータベースにつながっていた。研究者はこの環境で仮説を出し合い、分析のプログラムはすべて AI に書かせて実行させ、原稿は AI と一緒に書いた。その過程で、AI をうまく導くための共通の手順も自分たちでつくっている。
結果として、最初の指示から原稿ができるまでは2週間かからず、早いものは7日だった。参加者は全員が大きな手応えを感じたとし、うまくいった場合で従来の研究の進め方の最大10倍の効率だったと答えている。ただし、これは参加者自身の感覚であって、測った数字ではない。
外部の審査が指摘したこと
10本の原稿は、感染症、スポーツ医学、救急医療、がん、内分泌、口腔の健康などにまたがる。それぞれ、研究仲間からの意見、生物統計の専門家による分析の点検、外部に依頼した独立した専門家の講評という段階を経た。講評は原稿ごとに公開されている。
その講評は厳しい点も遠慮なく書いている。ある原稿については、死亡率の差を言う部分が「言い過ぎ」で、補足資料自体が差を示せていないと書いていると指摘した。ほかにも、観察の仕方の偏りが別の説明になりうること、症例の数が少なすぎて確かな結論は出せないことが挙げられている。いずれも過去の記録を振り返る研究で、因果関係までは言えないものが多い。
AI で原稿を速く書けることと、その結論が正しいことは別だ。今回の公開は、速さと一緒に、その違いもそのまま見せている。
研究や分析を仕事にする人へ
この試みは医療の話だが、構図は、データを集めて仮説を立て、分析して文章にまとめる仕事全般に重なる。プログラムを書いて回す部分を AI に任せると、人の時間は「何を問うか」と「結果をどこまで信じるか」に集まっていく。Meta 自身、今後の目標を、検証しきれない分野で専門家の判断に導かれながら研究を進める AI だと書いている。
裏を返せば、問いの立て方と結果の疑い方を持っていない人が使うと、もっともらしい原稿だけが速く増える。今回の講評が「言い過ぎ」を見つけられたのは、別の専門家が読んだからだ。
確認できる次の点
次に見るのは、Meta の研究ブログで公開された10本の原稿と講評、そして参加した研究者たちがまとめた体験の報告書だ。今回は社内の環境での試みで、同じ道具を外部の研究者が使えるようになるかは書かれていない。今後、より大きなデータで、前向きの臨床試験に向けた仮説づくりに使うとしており、その公開が次の節目になる。
ことば
- 匿名化された電子カルテ — 病院の診療記録から、名前など個人を特定できる情報を取り除いたデータ。今回の研究では、使用許諾を得た約500万人分を AI が分析に使った。
- 後ろ向き研究 — すでにある記録を振り返って調べる研究。手早く行えるが、比べる集団の偏りが残りやすく、原因と結果の関係までは言いにくい。
あなたの仕事で AI に分析を任せたとき、その結論を「言い過ぎ」だと指摘してくれる人は、いま身近にいるだろうか？
