[Medical Generative AI: G4] AIの性能は「データ」で決まる——医療データ概論と実践的ハンドリング入門

TL; DR (要約)

この回の学習目標	1. 医療データの多様性: 電子カルテ、医用画像、生体信号、ゲノムデータといった主要な医療データの種類と、それぞれの特性や課題を理解する。 2. データ前処理の基本: 欠損値や外れ値への対処法、正規化・標準化といった、AIモデルに入力する前のデータ「お作法」の重要性を学ぶ。 3. 医用画像前処理の特殊性: 医用画像に特有の匿名化、関心領域（ROI）の抽出、データ拡張といった前処理の概念を理解する。 4. データ標準化の意義: HL7 FHIRなどのデータ規格が、なぜ医療AI開発において重要なのかを理解する。
前提となる知識	・Pythonプログラミングの初歩的な知識（変数、データ型、リスト、辞書の概要） ・（推奨）医療現場でどのようなデータが発生するかの基本的なイメージ

はじめに： Garbage In, Garbage Out (GIGO) の原則

AI開発の世界に足を踏み入れると、誰もが最初に耳にするであろう言葉があります。それが「Garbage In, Garbage Out (GIGO)」——つまり「ゴミを入れれば、ゴミしか出てこない」——という、この分野における金の教訓です(1)。これは、どれほど最先端で高性能なAIモデル（例えば、何千億円もかけて開発された最新のLLM）を準備したとしても、そのモデルに与える「データ」の質が低ければ、得られる結果もまた質の低い、価値のないものになってしまう、というAI開発の本質を突いた言葉です。

AIプロジェクトの成否は、実は最新の派手なアルゴリズムよりも、この地道な「データの下ごしらえ」で8割が決まる、と言っても過言ではないと私は感じています。

特に、私たち医療者が日々向き合っている医療データは、他の分野のデータと比べて、極めてユニークで、同時に手強い特性を持っています。

• 情報の多様性（マルチモーダル）: ある一人の患者さんを理解するためだけでも、構造化された検査値、医師や看護師が綴る自由記述のテキスト、DICOM形式の医用画像、そして時々刻々と変化する生体信号といった、全く異なる形式のデータが混在しています。これらは、AIにとってはそれぞれ「話す言語が違う」ようなものです。
• 品質の不均一性とノイズ: 異なる病院、異なる電子カルテシステム、異なる測定機器、そして異なる医療スタッフ。データが生まれる背景はバラバラで、一貫性がありません。検査値の欠損、入力ミスによる外れ値、心電図に含まれる体動ノイズなどは、日常茶飯事です。
• 情報の機微性（センシティブさ）: そして何よりも、これらは患者さんの健康とプライバシーに関わる、究極の個人情報です。その取り扱いには、法規制の遵守はもちろん、データに対する深い敬意と倫理観が求められます。

この第3回では、AI開発の旅における最も重要で、そして最も時間のかかる工程でもある「データハンドリング」に焦点を当てます。質の高いAIを開発するための「原材料」である医療データをどう深く理解し、どう「下ごしらえ（前処理）」していくのか、その全体像を見ていきましょう。

なお、本記事は各トピックの概要を掴んでいただくためのサマリーです。pandasやscikit-learnといったライブラリを用いた具体的なプログラミング実装については、今後の記事で各項目（3.1, 3.2など）を深く掘り下げて解説していきますので、ご安心ください。

3.1 医療データの種類と特性：AIが向き合う4つの主要データ

AI開発の旅を始めるにあたり、私たちがまず行うべきは、目的地の地形を把握することです。医療AIにとっての「地形」とは、すなわち「データ」そのものに他なりません。医療AIが向き合うデータの世界は、一人の患者さんという存在を、様々な角度から描き出す「多角的なポートレート（肖像画）」のようなものだと、私は考えています。

このポートレートは、主に4つの異なる画材、すなわち4つの主要なデータカテゴリーによって構成されます。それぞれの画材が持つ特性と、それを扱う上での難しさを理解することが、すべての始まりです。

① 電子カルテデータ (EHR/EMR)：患者の物語を紡ぐ「言葉」

電子カルテは、患者さんのポートレートにおける「物語（ナラティブ）」の中心です。ここには、患者さんの状態を理解するための、最もリッチな文脈情報が詰まっています。このデータは、大きく2種類に分けられます。

• 構造化データ: 年齢、性別、病名コード、検査値、処方された薬剤の用法・用量など、あらかじめ定められた形式（項目）に沿って、整然と記録されたデータです。データベースの各列にきれいに収まる、いわば「穴埋め形式の履歴書」のようなもので、統計解析が容易です。
• 非構造化データ: 医師の所見、看護記録、退院サマリーといった、自由な文章で記述されたテキストデータです。ここには、構造化データからは読み取れない、医師の思考プロセス、患者さんの微妙な訴え、家族背景といった、極めて重要な情報が「エッセイ」のように綴られています。この情報の宝庫をどうAIに理解させるかが、自然言語処理（NLP）における大きな挑戦となります。

② 医用画像データ：病態を写し出す「眼」

医用画像は、ポートレートにおける「解剖学的・病理学的な写真」にあたります。X線、CT、MRI、病理画像などがこれに該当し、AIによる画像認識技術の主戦場です。

• DICOM形式: 医用画像の多くは、DICOM (Digital Imaging and Communications in Medicine) という世界標準規格で保存されています。これは単なる画像ファイルではなく、患者情報、撮影日時、使用した機器の設定といった膨大なメタデータ（付帯情報）をヘッダーに格納した「コンテナ」です。そのため、研究利用する際には、このメタデータ部分に含まれる個人情報を適切に匿名化することが、法規・倫理的に絶対の要件となります(2)。
• 次元とサイズ: 1枚のレントゲン写真（2D）から、数百枚の断層画像からなるCTスキャン（3D）、さらには心臓の動きを捉えた動画（4D）まで、その次元は様々です。データサイズも非常に大きく、ストレージや計算機のスペックにも相応のものが求められます。

③ 生体信号データ：生命の「リズム」を刻む波形

生体信号は、ポートレートに「生命のリズムとBGM」を与える、時間的なデータです。心電図（ECG）や脳波（EEG）に代表される波形データや、ICUモニターで連続的に記録される血圧、心拍数、SpO2などが含まれます。

• 時間的依存性: このデータの価値は、ある一瞬の値ではなく、「時間的な文脈」の中にあります。あるQRS波の異常は、それに先行するP波や後続するT波との関係性の中で初めて正しく解釈されます。そのため、解析にはRNNやTransformerといった、時間の流れを扱えるAIモデルが必要不可欠です。
• ノイズとの戦い: 生体信号は、筋電図の混入や体動によるベースラインの揺れといったアーチファクト（ノイズ）の影響を強く受けます。生のデータから、いかにして意味のある信号だけを抽出し、ノイズを除去するか、という前処理の技術がAIの性能を大きく左右します。

④ ゲノム・オミックスデータ：個性を規定する「設計図」

ゲノムをはじめとするオミックスデータ（遺伝子情報を網羅的に解析する技術群の総称。トランスクリプトーム、プロテオームなどを含む）は、患者さんというポートレートの根底にある「生命の設計図」そのものです。

• 高次元性: 一人の人間のゲノムデータは、数百万〜数千万の遺伝的変異といった膨大な数の変数（特徴量）を持ちます。一方で、私たちが予測したい結果（例えば、ある疾患を発症したか否か）は一つです。このように、サンプル数に対して特徴量が圧倒的に多い状態は「次元の呪い」とも呼ばれ、AIモデルが偶然の相関関係に過剰適合（Overfitting）してしまうリスクを常に伴います。
• 究極の個人情報: ゲノムデータは、その個人だけでなく、血縁者の情報にも繋がりうる、究極の個人情報です。その取り扱い、保存、解析には、法的な要件はもちろん、極めて高度な倫理的配慮と、研究参加者からの適切なインフォームド・コンセントが求められます。

これらの特性を、以下の表にまとめます。

データ種別	例	特性	AI開発における主要な課題
電子カルテデータ (EHR)	検査値、処方歴、医師記録	構造化・非構造化データが混在	自由記述テキストの自然言語処理、データの不均一性
医用画像データ	DICOM (CT, MRI), 病理画像	大容量、メタデータを含む	匿名化処理、3D/4Dデータの扱い、ストレージコスト
生体信号データ	ECG, EEG, 連続血圧	時間的依存性が重要	ノイズ除去、意味のあるパターンの抽出
ゲノム・オミックスデータ	FASTQ, VCF, 発現量データ	超高次元、究極の個人情報	「次元の呪い」への対処、倫理的・法的配慮

このように、一言で「医療データ」と言っても、その出自も性質も様々です。優れた医療AIを開発するためには、まず、自分がこれから向き合おうとしているデータが、どのような特性と課題を持っているのかを深く理解することが、何よりも重要な第一歩となるのです。

3.2 データの前処理：AIのための「下ごしらえ」

フランス料理の世界には「ミザンプラス（mise en place）」という言葉があります。これは、調理を始める前に、全ての食材を洗い、切り、計量し、完璧に準備を整えておくことを意味します。実は、AI開発におけるデータ前処理も、この精神と全く同じです。生の医療データは、いわば「採れたてだが泥のついた野菜」のようなもの。そのままではAIという名の高価な調理器具に入れることはできず、性能の良い料理（=予測モデル）は作れません。

このセクションでは、AIのための最も重要な「下ごしらえ」である、データの前処理について学んでいきましょう。

① 不完全なデータを整える：欠損値と外れ値への対処

実際の臨床データは、教科書のように綺麗ではありません。様々な理由で、データには不完全な部分が生まれます。

欠損値（Missing Values）

患者さんの容態が悪く特定の検査ができなかった、あるいは単なるデータ入力漏れなど、医療データに欠損値はつきものです。これらを放置すると、多くのAIアルゴリズムはエラーを起こしてしまいます。

対処法	説明	主な使い所
削除	欠損値を含む行（患者データ）や列（変数）そのものをデータセットから削除する。	最も単純だが、貴重な情報を失う。欠損がごく一部の場合や、その変数が重要でない場合に限られる。
平均値/中央値による代入	欠損値を、その列の全体の平均値または中央値で埋める。	簡単で広く使われるが、データのばらつき（分散）を過小評価してしまう可能性がある。
最頻値による代入	（性別など、カテゴリー変数の場合に）最も頻繁に出現する値で欠損値を埋める。	カテゴリーデータにおける標準的な手法。

どの手法を選択するかは、データの特性や欠損の量によって慎重に判断する必要があります。

外れ値（Outliers）

「身長170cm」を「1.7」と入力してしまった、あるいはありえない検査値（例：体温370.0℃）など、他のデータから極端にかけ離れた値を外れ値と呼びます。これらはAIの学習に悪影響を与えるため、発見した場合は、単なる入力ミスであれば修正し、そうでなければ欠損値として扱うなどの対処が必要です。

② スケールを揃える：正規化と標準化

「年齢」（1〜100の範囲）と「白血球数」（数千〜数万の範囲）を、AIにそのまま入力したらどうなるでしょう。多くのAIアルゴリズムは、数値のスケールが単純に大きい「白血球数」の方を、不当に「重要な変数」だと勘違いしてしまいます。

このような変数のスケールの違いによるバイアスを防ぎ、すべての変数を公平に扱わせるために、値を共通のスケールに揃える処理が不可欠です。

手法	式	出力範囲	主な特徴・使い所
正規化 (Normalization)	\[ X_{\text{norm}} = \frac{X – X_{\min}}{X_{\max} – X_{\min}} \]	0〜1	全てのデータを0から1の範囲にきれいに収める。外れ値に弱い（最大値や最小値が外れ値だと、他の多くのデータが狭い範囲に押し込められてしまう）。
標準化 (Standardization)	\[ X_{\text{std}} = \frac{X – \mu}{\sigma} \]	定まった範囲はない	データを平均0、標準偏差1の分布に変換する。外れ値の影響を受けにくく、一般的に最も広く使われる。

この式で、\(X\)は元の値、\(X_{\min}\)と\(X_{\max}\)はそれぞれその変数の最小値と最大値、\(\mu\)は平均値、\(\sigma\)は標準偏差を表します。

ハンズオン：Pythonでデータの前処理を体験する

では、これらの概念が実際のデータにどう適用されるのか、Pythonコードを使って見ていきましょう。ここでは、欠損値を含む簡単な患者データを作成し、欠損値処理と標準化を行ってみます。

【実行前の準備】以下のコードを実行するには、あらかじめターミナルやコマンドプロンプトでpip install pandas scikit-learnを実行してライブラリをインストールしてください。

# 必要なライブラリをインポートします
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler

# --- サンプル患者データの作成 ---
# 辞書形式で、欠損値(np.nan)や尺度の異なるデータを含むサンプルを作成します
data = {
    '年齢': [45, 67, np.nan, 33, 81],
    '収縮期血圧': [120, 155, 130, 110, 180],
    'CRP': [0.3, 2.5, 1.1, 0.5, 5.8]
}
# pandasのDataFrameという表形式のデータ構造に変換します
df = pd.DataFrame(data)
# 処理前のデータフレームを出力して確認します
print("--- 前処理前のデータ ---")
print(df)

# --- 1. 欠損値の処理 ---
# ここでは、各列の平均値で欠損値を埋める(代入する)という戦略をとります
# .fillna()が欠損値を埋める関数、.mean()が平均値を計算する関数です
df_filled = df.fillna(df.mean())
# 欠損値処理後のデータフレームを出力して確認します
print("\n--- 1. 欠損値処理後のデータ ---")
print(df_filled)

# --- 2. 標準化 ---
# scikit-learnライブラリからStandardScalerのインスタンス（実体）を作成します
scaler = StandardScaler()
# .fit_transform()メソッドで、データの分布を学習し、実際に標準化を適用します
df_scaled = scaler.fit_transform(df_filled)
# 結果はnumpy配列なので、分かりやすくするために再度DataFrameに変換します
df_standardized = pd.DataFrame(df_scaled, columns=df.columns)
# 標準化後のデータフレームを出力して確認します
print("\n--- 2. 標準化後のデータ ---")
print(df_standardized)

【実行結果】

--- 前処理前のデータ ---
     年齢  収縮期血圧  CRP
0  45.0     120  0.3
1  67.0     155  2.5
2   NaN     130  1.1
3  33.0     110  0.5
4  81.0     180  5.8

--- 1. 欠損値処理後のデータ ---
     年齢  収縮期血圧  CRP
0  45.0     120  0.3
1  67.0     155  2.5
2  56.5     130  1.1
3  33.0     110  0.5
4  81.0     180  5.8

--- 2. 標準化後のデータ ---
         年齢   収縮期血圧       CRP
0 -0.569319 -0.686241 -0.902998
1  0.518681  0.370671  0.134015
2  0.000000 -0.343120 -0.567081
3 -1.164319 -1.029361 -0.809462
4  1.214957  1.688052  2.145526

標準化後のデータを見てください。元のスケールはバラバラでしたが、全ての変数が平均0、標準偏差1に近いスケールに変換されているのがわかります。これで、AIは各変数を公平に評価する準備が整いました。

これらの処理は、医療AI開発における、いわば「作法」のようなものです。しかし、データが「画像」という特殊な形式を持つ場合、これらに加えて、さらに画像特有の前処理が必要になります。次のセクションでは、その医用画像データとの格闘について見ていきましょう。

3.3 医用画像の前処理：DICOMデータとの格闘

前のセクションでは、主に表形式のデータを中心とした、一般的な「下ごしらえ」を見てきました。しかし、食材の中には、フグのように特別な「免許」と作法が求められるものがあります。医療AIの世界で、この特別な食材にあたるのが、CTやMRIといった医用画像データです。

なぜなら、その多くがDICOM（Digital Imaging and Communications in Medicine）という、世界標準規格で保存されており、その取り扱いには特有の知識と、何よりも厳格な倫理的配慮が求められるからです。

DICOMとは？ 画像と患者情報を格納する「デジタルなファイルフォルダ」

私たちが普段目にするJPEGやPNGといった画像ファイルと、DICOMファイルは根本的に異なります。DICOMは単なる画像ではなく、画像そのものと、その画像に付随する膨大なメタデータ（ヘッダー情報）を一つのファイルに格納した、いわば「患者さんの検査情報ファイルフォルダ」のようなものです(3)。

このリッチなメタデータは、画像の解釈や品質管理に役立つ一方で、患者さんの個人情報を豊富に含んでいます。そのため、医用画像をAI研究に利用する際には、以下の3つの前処理ステップが極めて重要になります。

Step 1: 匿名化 (Anonymization) – 研究倫理の絶対的基礎

研究や開発に医療データを利用する際、患者さんのプライバシーを保護することは、何よりも優先されるべき絶対的なルールです。匿名化とは、DICOMヘッダーに含まれる患者ID、氏名、生年月日といった個人識別情報を完全に削除、あるいは無意味な文字列に置き換えるプロセスです。

これは、個人情報保護法や各種倫理指針によって厳格に定められており、このプロセスを抜きに研究を進めることは許されません。Pythonにはpydicomのようなライブラリがあり、特定のDICOMタグを読み書きすることで、この匿名化処理をプログラム的に行うことが可能です。

Step 2: 関心領域 (ROI) の切り出し – AIの「注目」を導く

一枚の胸部CT画像には、肺だけでなく、心臓、大血管、骨、皮膚など、様々な情報が含まれています。もし、私たちのAIのタスクが「肺結節を検出する」ことであれば、肺以外の領域は、AIにとっては学習のノイズになりかねません。

関心領域（Region of Interest, ROI）の切り出しとは、広大な画像の中から、解析対象となる真に重要な領域だけを切り出す作業です。これは、放射線科医が読影の際に特定の領域に注目するプロセスと似ています。ROIを適切に設定することで、計算コストを削減し、AIがより効率的に関心のあるパターンを学習できるようになります。

Step 3: データ拡張 (Data Augmentation) – AIのための「分身の術」

深層学習モデルの性能は、学習データの「量」と「多様性」に大きく依存します。しかし、特に希少疾患などでは、十分な数の症例画像を集めることは困難です。そこで活躍するのが、データ拡張（Data Augmentation）というテクニックです。

直感的なイメージ:

AIに同じ写真を100回見せても、それは1つの症例としてしか学習できません。しかし、その写真を少し回転させたり、左右反転させたり、明るさを変えたりした「そっくりさん」の画像を100枚作り出して見せれば、AIはそれを「少しずつ違う100の症例」として学習します。

この「分身の術」によって、AIは、実際の臨床現場で遭遇するであろう、患者さんの体位のわずかな違い、撮影条件の微妙な変動、照明の変化などに対して、より動じない、頑健な（ロバストな）性能を獲得することができるのです。

これらの画像特有の下ごしらえは、質の高い画像診断AIを開発するための、避けては通れない重要な工程です。

さて、ここまで様々な種類のデータを、それぞれの特性に合わせて下ごしらえする方法を見てきました。しかし、これらのデータが病院ごとにバラバラの形式で保存されていたら、どうなるでしょう？最後のセクションでは、この「データの標準化」という、医療AIの社会実装に向けた重要なテーマについて考えていきます。

3.4 医療データ規格の標準化：HL7 FHIRの重要性

さて、私たちはこれまで、様々な医療データを、それぞれの特性に合わせて下ごしらえする方法を見てきました。しかし、どれほど完璧にデータを準備しても、もしA病院の電子カルテデータとB病院のデータが、お互いに「言葉の通じない」全く別の言語で書かれていたら、どうなるでしょうか。

残念ながら、これまでの医療情報システムの世界は、まさにこの「バベルの塔」のような状況にありました。各メーカーが独自の仕様でシステムを構築した結果、データは各病院のサーバーの中に孤立してしまい（データのサイロ化）、システム間の情報連携は極めて困難でした。これでは、A病院のデータで学習したAIを、B病院で使うことはできません。AIを社会実装し、その恩恵を広く届ける上での、大きな壁となっていたのです。

データの「バベルの塔」を壊す、現代の標準規格「HL7 FHIR」

この根深い課題を解決するために登場した、現代的でパワフルな世界標準規格がHL7 FHIR^® (Fast Healthcare Interoperability Resources) です(6)。

FHIR（「ファイア」と読みます）は、HL7 (Health Level Seven) Internationalという国際的な標準化団体によって開発されました。その最大の特徴は、それまでの複雑な規格とは一線を画し、現代のWebサービスで広く使われているAPI（Application Programming Interface）の技術を全面的に採用している点です。

直感的なイメージ:
古い規格が、特定の機器専用の、分厚く難解な「取扱説明書」だったとすれば、FHIRは、どんな機器でも同じように抜き差しできる「USB-C」のようなものです。あるいは、規格化された凸凹を持つ「LEGOブロック」を想像しても良いかもしれません。

FHIRの核となる考え方：「リソース」

FHIRは、医療に関するあらゆる情報を「リソース」という、意味のある単位（LEGOブロック）に分割して定義します。

リソース名 (英語)	日本語名（例）	格納される情報の例
Patient	患者	氏名、ID、生年月日、性別、連絡先など
Observation	観察・検査結果	身長、体重、血圧、体温などのバイタルサイン、血液検査の結果など
Condition	状態・診断	診断名（ICD-10コードなど）、発症日、重症度など
MedicationRequest	薬剤リクエスト	処方された薬剤、用法、用量、処方日など
DiagnosticReport	診断レポート	放射線レポート、内視鏡レポート、病理レポートなどのテキスト

AI開発者にとって、データがFHIRという「共通言語」で提供されるメリットは計り知れません。データの形式を変換するためのプログラム（しばしば、プロジェクトで最も手間のかかる部分です）を病院ごとに作る必要がなくなり、AIモデル自体の開発という、本来のタスクに集中できるようになります。

さらに、この標準化は、複数の医療機関から、プライバシーに配慮した形で大規模なデータを集積し、より頑健で、多様な人々に適用可能なAIを開発するための道も拓きます。医療AIが、一部の研究室から、広く社会全体へと羽ばたいていくために、このデータ標準化への取り組みは、まさに生命線と言えるでしょう。

まとめ：データの前処理は、医療AI開発の成否を分ける

今回は、医療AI開発の「原材料」となる医療データの世界を概観しました。

1. データの多様性: EHR、DICOM、生体信号、ゲノムなど、多種多様なデータを理解する。
2. 一般的な前処理: 欠損値・外れ値を処理し、正規化・標準化でスケールを揃える。
3. 画像の前処理: 匿名化を徹底し、ROI抽出やデータ拡張でAIの学習を助ける。
4. 標準化: HL7 FHIRのような共通規格が、AIの普及には不可欠である。

AIプロジェクトでは、全体の時間の8割が、この地道なデータの前処理に費やされる、とさえ言われます。しかし、この工程を丁寧に行うことこそが、信頼性が高く、安全で、そして本当に価値のある医療AIを生み出すための、最も重要な礎となるのです。

---

注意事項・免責事項

• 本コンテンツは、医療AIに関する技術的な学習と理解を深めることを目的としており、特定の医療行為を推奨、あるいは医学的助言を提供するものではありません。実際の臨床判断は、必ず担当の医療専門家にご相談ください。
• 本コンテンツで紹介する技術やコードを医療目的で利用する場合、開発者は医師法、薬機法、個人情報保護法、次世代医療基盤法、医療広告ガイドラインといった関連法規・ガイドラインを完全に遵守する責任を負います。
• AIモデルの学習データや設計によっては、意図しないバイアスが混入し、特定の属性を持つ人々に対して不公平な結果を生む可能性があります。AIの開発と利用にあたっては、倫理的な配慮と公平性の確保に常に注意を払う必要があります。
• 本コンテンツで参照する情報や統計、制度は、執筆時点（2025年6月）で信頼できると考えられる情報源に基づいておりますが、その正確性、完全性、最新性を保証するものではありません。重要な判断を下す前には、必ず一次情報源をご確認ください。
• 本コンテンツには、AIの支援を受けて生成された部分が含まれる場合がありますが、すべての内容は医療・AI分野の専門家によって監修・編集されています。
• 本コンテンツで紹介する外部ライブラリやデータセットの利用にあたっては、それぞれのライセンス条項を十分に確認し、遵守してください。知的財産の取り扱いには最大限の注意を払っています。

参考文献

1. Eckerson WW. Getting Started with Data Warehousing. DM Rev. 2000;10(1):22–25.
2. Mandel JC, Kuperman GJ, Kohane IS. A new generation of EHRs. N Engl J Med. 2012 Nov 15;367(20):1875-7.
3. Pianykh OS. Digital Imaging and Communications in Medicine (DICOM): A Practical Introduction and Survival Guide. 2nd ed. Springer; 2012.
4. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019 Apr 4;380(14):1347-1358.
5. Shortliffe EH, Cimino JJ, eds. Biomedical Informatics: Computer Applications in Health Care and Biomedicine. 5th ed. Springer; 2021.
6. Bender D, Sartipi K. HL7 FHIR: An Introduction. In: International Conference on Medical and Health Informatics. 2018. p. 1-5.
7. Goodfellow I, Bengio Y, Courville A. Deep Learning. MIT Press; 2016. (Chapter on Data Augmentation)
8. Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020;2020:191-200.
9. Wiens J, Saria S. Big data in healthcare: a pragmatic approach. JAMA. 2016 Apr 5;315(13):1333-4.
10. Wilkinson MD, Dumontier M, Aalbersberg IJ, et al. The FAIR Guiding Principles for scientific data management and stewardship. Sci Data. 2016 Mar 15;3:160018.

---

ご利用規約（免責事項）

当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。

第1条（目的と情報の性質）

1. 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
2. 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
3. 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
4. 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。

第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。

第3条（医療行為における責任）

1. 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
2. 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
3. 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。

第4条（情報の正確性・完全性・有用性）

1. 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
2. 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。

第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。

第6条（知的財産権）

1. 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
2. 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。

第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。

第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。

第9条（免責事項）

1. 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
2. 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
3. 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
4. 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。

第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。

第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。

---

For J³, may joy follow you.