[Series M] 🧮 Math for Medical AI : 医療者のための、やさしく学べる数理入門

第0部：AIを支える数学のすべて

• 第1回：M1：数学の基礎知識 (Fundamentals)
  └ 総和・総乗記号($\sum, \prod$), argmin, ネイピア数($e$), 自然対数($\ln$), 関数の基礎
  • 第1.1回：M1.1：AIの学習に必要な数学記号（$\sum, \prod, \arg\min$ etc.）
  • 第1.2回：M1.2：ネイピア数と自然対数
  • 第1.3回：M1.3：関数の基礎
• 第2回：M2：線形代数 (Linear Algebra) – データの表現
  └ スカラー, ベクトル, 行列演算, 逆行列, 固有値分解, 行列分解(LU/QR)
  • 第2.1回：M2.1：線形代数の第一歩：スカラー、ベクトル、行列でデータをかたどる
  • 第2.2回：M2.2：行列の基本的な演算 — データを組み合わせ、変換する技術
  • 第2.3回：M2.3：逆行列と行列式 — 行列による「変換」を元に戻す
  • 第2.4回：M2.4：固有値と固有ベクトル — 行列による変換の「本質」を見抜く
  • 第2.5回：M2.5：行列分解の応用（LU分解、QR分解、コレスキー分解）
• 第3回：M3：微分 (Differentiation) – 変化の捉え方
  └ 勾配(Gradient), 偏微分, 連鎖律(Chain Rule), テイラー展開, 近似計算
  • 第3.1回：M3.1：微分の基礎と勾配 ― AIが「学習」する方向を見つける魔法
  • 第3.2回：M3.2：偏微分 — 多次元世界の「傾き」を捉える技術
  • 第3.3回：M3.3：連鎖律（合成関数の微分） — ニューラルネットワークの学習を可能にする「伝言ゲーム」
  • 第3.4回：M3.4：テイラー展開 — 複雑な関数を多項式で近似する
• 第4回：M4：確率・統計 (Probability & Statistics) – 不確実性のモデル化
  └ 確率変数, ベイズの定理, 確率分布(正規/ベルヌーイ), 最尤推定, エントロピー
  • 第4.1回：M4.1：確率の基本と確率変数 – 不確実な医療データをAIで扱う第一歩
  • 第4.2回：M4.2：条件付き確率とベイズの定理 – AIは検査結果をどう解釈するのか？
  • 第4.3回：M4.3：確率分布とは？ – 正規分布・ベルヌーイ分布でデータの本質を捉える
  • 第4.4回：M4.4：期待値、分散、共分散
  • 第4.5回：M4.5：最尤推定法
  • 第4.6回：M4.6：情報理論の基礎（エントロピー）
• 第5回：M5：最適化理論 (Optimization) – 最良の答えの見つけ方
  └ 勾配降下法, Adam, モーメンタム, 凸最適化, ラグランジュ未定乗数法
  • 第5.1回：M5.1：勾配降下法
  • 第5.2回：M5.2：勾配降下法の発展形 (Adam, モーメンタムなど)
  • 第5.3回：M5.3：凸最適化とイェンゼンの不等式
  • 第5.4回：M5.4：ラグランジュの未定乗数法
• 第6回：M6：数値計算の基礎 (Numerical Analysis)
  └ 浮動小数点数, 丸め誤差, LogSumExp, オーバーフロー対策
  • 第6.1回：M6.1：浮動小数点数と誤差 — コンピュータが計算を間違えるとき
  • 第6.2回：M6.2：オーバーフロー・アンダーフロー対策 (LogSumExpなど)

第I部：構造 (Structure)

• 第10回：M10：AIと数学の密接な関係：医療の未来を拓くための第一歩
  └ 医療AIの全体像, 数理モデル, 学習プロセス, ブラックボックスの解明
• 第11回：M11：ベクトルと行列って何者？ — 数の“カタマリ”が医療データを表すしくみ
  └ 医療データ構造, ノルム(L1/L2), 距離空間, データの大きさ
  • 第11.1回：M11.1：ノルムの世界 — データの「大きさ」や「距離」の測り方 (L1, L2, L∞)
• 第12回：M12：内積で測る「似ている」とは？ — Embeddingと類似度の世界
  └ 内積, コサイン類似度, Embedding, 類似画像検索
  • 第12.1回：M12.1：コサイン類似度と距離行列 — 診断データの類似検索
• 第13回：M13：テンソル解析 — 3次元以上の医療データを操る
  └ テンソル, Volumetric Data(MRI/CT), アインシュタインの縮約記法
  • 第13.1回：M13.1：テンソルの定義と演算 — MRI/CTデータ（Volumetric Data）の数学的表現
  • 第13.2回：M13.2：アインシュタインの縮約記法 — 多次元配列計算のスマートな記述

第II部：学習 (Learning)

• 第20回：M20：「微分」と「勾配」って何がすごいの？ — AIの学習を駆動するエネルギー源
  └ 勾配法, ヘッセ行列, ヤコビ行列, 曲面の解析
  • 第20.1回：M20.1：ヘッセ行列とヤコビ行列 — 2階微分で曲面を知る
• 第21回：M21：誤差と損失関数 — AIは「間違い」をどう数値化するのか？
  └ 損失関数(Loss), 平均二乗誤差(MSE), クロスエントロピー誤差
  • 第21.1回：M21.1：回帰と分類の損失関数 (MSE vs Cross-Entropy) の数理的導出
• 第22回：M22：最適化アルゴリズム — 学習を前に進める工夫たち
  └ 鞍点問題(Saddle Point), 勾配消失, 勾配爆発
  • 第22.1回：M22.1：鞍点（Saddle Point）問題 — 勾配消失と爆発の数学
• 第23回：M23：計算グラフと自動微分 (Automatic Differentiation)
  └ 計算グラフ, 誤差逆伝播法(Backprop), 自動微分, フォワード/リバースモード
  • 第23.1回：M23.1：計算グラフの連鎖律 — Backpropagationの正体
  • 第23.2回：M23.2：フォワードモードとリバースモード — 効率的な微分のためのアルゴリズム

第III部：深層 (Deepening)

• 第30回：M30：確率とSoftmax関数 — AIはどのくらい自信があるのか？
  └ Softmax関数, 確率出力, 多クラス分類, 自信度(Confidence)
• 第31回：M31：固有値と次元削減 — 主成分分析（PCA）で本質を見抜く
  └ PCA, 特異値分解(SVD), 次元圧縮, 白色化(Whitening)
  • 第31.1回：M31.1：特異値分解(SVD) — PCAを支える、あらゆる行列を分解する万能ツール
  • 第31.2回：M31.2：白色化 (Whitening) と相関除去 — データの前処理の数理
• 第32回：M32：AIの「ひらめき」の正体はReLU？ | 非線形関数とReLUと仲間たち
  └ 活性化関数, ReLU, Sigmoid, Tanh, 非線形性
  • 第32.1回：M32.1：活性化関数の数理 (Sigmoid, Tanh, Swish, GeLU)
• 第33回：M33：周波数領域の解析 — 生体信号（ECG/EEG）を読み解く
  └ フーリエ変換(FFT), ウェーブレット変換, 畳み込み(Convolution), 時系列解析
  • 第33.1回：M33.1：フーリエ変換とスペクトル解析 — 時間変化を周波数に分解する
  • 第33.2回：M33.2：ウェーブレット変換 — 「いつ、どんな波が起きたか」を捉える
  • 第33.3回：M33.3：畳み込み (Convolution) の数学的定義

第IV部：確率・情報 (Probability & Information)

• 第40回：M40：確率と統計をいちから立て直す
  └ 測度論, 多変量分布, 共役事前分布, 条件付き独立
  • 第40.1回：M40.1：測度論的確率論 — 「確率ってなに？」をちゃんと定義し直す土台の話
  • 第40.2回：M40.2：多変量分布と共役分布 (Dirichlet分布など) — 複数の変数が一緒に動くとき
  • 第40.3回：M40.3：条件付き独立 — グラフィカルモデルの基礎
• 第41回：M41：ベイズ推論と近似推論ってなんだろう？
  └ ベイズ推定, 最尤推定(MLE), 事後確率最大化(MAP), MCMC, 変分推論(VI)
  • 第41.1回：M41.1：最尤推定(MLE)と事後確率最大化(MAP)の違い
  • 第41.2回：M41.2：MCMC法（ギブス、MH、HMC） — 複雑な積分をサンプリングで解く
  • 第41.3回：M41.3：変分推論とELBO — 「あきらめのいい近似」ができるスマートなやり方
• 第42回：M42：情報理論って何を測るの？
  └ シャノンエントロピー, KLダイバージェンス, 相互情報量, 情報量
  • 第42.1回：M42.1：情報量とシャノンエントロピー — 「驚き」の数値化
  • 第42.2回：M42.2：KLダイバージェンスとクロスエントロピー — 分布間の「距離」
  • 第42.3回：M42.3：相互情報量 (Mutual Information) — 変数間の依存度を測る
• 第43回：M43：因果推論 (Causal Inference) — 「相関」と「因果」を区別する
  └ 介入(Intervention), do演算子, 傾向スコア, 反事実(Counterfactuals)
  • 第43.1回：M43.1：介入とdo演算子 (Pearlの因果モデル) — 「もし投薬していたら？」の数理
  • 第43.2回：M43.2：傾向スコアと逆確率重み付け (IPW) — 観察データからバイアスを除く
  • 第43.3回：M43.3：反事実 (Counterfactuals) と潜在的結果モデル (Rubin)
• 第44回：M44：生存時間解析 (Survival Analysis) — 「その時」までの時間を予測する
  └ 生存関数, ハザード比, カプラン・マイヤー法, Cox比例ハザードモデル
  • 第44.1回：M44.1：生存関数とハザード関数 — 「瞬間的なリスク」の定義
  • 第44.2回：M44.2：カプラン・マイヤー推定量と打ち切りデータ (Censoring)
  • 第44.3回：M44.3：Cox比例ハザードモデル — 部分尤度の数理

第V部：理論 (Theory)

• 第50回：M50：統計的学習理論をのぞいてみよう
  └ 汎化誤差, バイアス・バリアンス分解, PAC学習, VC次元
  • 第50.1回：M50.1：過学習・バイアス・バリアンス分解
  • 第50.2回：M50.2：PAC学習とサンプル複雑性 — データはどれだけ必要か
  • 第50.3回：M50.3：VC次元とラデマッハ複雑度 — モデルの「表現力」の限界
• 第51回：M51：正則化とモデル選びのセンス
  └ L1/L2正則化, スパースモデリング, 交差検証(CV), AIC/BIC
  • 第51.1回：M51.1：L1/L2正則化とスパースモデリング (LASSO/Ridge)
  • 第51.2回：M51.2：交差検証 (Cross Validation) とブートストラップ法
  • 第51.3回：M51.3：情報量基準 (AIC/BIC) とOccamの剃刀
• 第52回：M52：カーネル法 — 無限次元へのワープ
  └ カーネルトリック, RKHS, SVM, ガウス過程
  • 第52.1回：M52.1：カーネルトリックとRKHS (再生核ヒルベルト空間)
  • 第52.2回：M52.2：SVMとラグランジュ双対性
  • 第52.3回：M52.3：ガウス過程 (Gaussian Process) — 関数そのものを推論する
• 第53回：M53：AttentionとTransformerの数理 — 言語を操るAIの心臓部
  └ Self-Attention, Positional Encoding, Layer Norm, 行列積
  • 第53.1回：M53.1：自己注意機構 (Self-Attention) の行列計算 $QK^T$
  • 第53.2回：M53.2：位置エンコーディング (Positional Encoding) とフーリエ級数
  • 第53.3回：M53.3：正規化の数理 (Layer Norm / RMS Norm)

第VI部：生成 (Generation)

• 第60回：M60：変分推論とVAEのしくみ
  └ VAE, ELBO, 再パラメータ化トリック, 潜在空間
  • 第60.1回：M60.1：ELBO (証拠下界) の導出
  • 第60.2回：M60.2：再パラメータ化トリック (Reparameterization Trick)
  • 第60.3回：M60.3：潜在変数モデルと混合ガウスモデル (GMM)
• 第61回：M61：GANと拡散モデル — 創造と競争のゲーム理論
  └ GAN, ナッシュ均衡, ワッサーシュタイン距離, 拡散モデル(Diffusion), SDE
  • 第61.1回：M61.1：GANの目的関数とナッシュ均衡
  • 第61.2回：M61.2：ワッサーシュタイン距離 (Optimal Transport) とWGAN
  • 第61.3回：M61.3：拡散モデル (Diffusion) と確率微分方程式 (SDE/Langevin Dynamics)
• 第62回：M62：フローベースモデルとエネルギーベースモデル
  └ 正規化流(Normalizing Flows), ヤコビ行列式, エネルギーベースモデル(EBM)
  • 第62.1回：M62.1：正規化流 (Normalizing Flows) とヤコビ行列式
  • 第62.2回：M62.2：エネルギーベースモデル (EBM) と分配関数

第VII部：未来・構造 (Future & Structure)

• 第70回：M70：多様体学習 — データが住む「曲がった空間」
  └ 多様体, t-SNE, UMAP, リーマン幾何学, 情報幾何
  • 第70.1回：M70.1：Isomap, t-SNE, UMAP — 近傍グラフと位相
  • 第70.2回：M70.2：リーマン幾何学入門 — 計量テンソルと測地線
  • 第70.3回：M70.3：情報幾何学 — 確率分布の空間を曲面として見る
• 第71回：M71：グラフ理論 — 関係性の科学
  └ グラフニューラルネット(GNN), グラフラプラシアン, メッセージパッシング
  • 第71.1回：M71.1：グラフラプラシアンとスペクトルグラフ理論
  • 第71.2回：M71.2：GNN (Graph Neural Networks) とメッセージパッシング
  • 第71.3回：M71.3：グラフ同型性テスト (Weisfeiler-Lehman Test)
• 第72回：M72：強化学習 — 最適な意思決定の数理
  └ マルコフ決定過程(MDP), Bellman方程式, Q学習, ポリシー勾配
  • 第72.1回：M72.1：マルコフ決定過程 (MDP) とBellman方程式
  • 第72.2回：M72.2：価値反復とQ学習の収束証明
  • 第72.3回：M72.3：ポリシー勾配法と自然勾配法 (Natural Gradient)
• 第73回：M73：トポロジカルデータ解析 (TDA) — データの「穴」と「形」
  └ ホモロジー群, ベッチ数, パーシステントホモロジー, 位相幾何学
  • 第73.1回：M73.1：ホモロジー群とベッチ数 — データの連結成分と空洞
  • 第73.2回：M73.2：パーシステントホモロジー — マルチスケールでの特徴抽出
  • 第73.3回：M73.3：医療画像（病理・MRI）へのTDA応用
• 第74回：M74：ニューラル微分方程式 (Neural ODEs) — 連続時間への拡張
  └ Neural ODE, ResNet, 随伴法(Adjoint Method), 薬物動態(PK/PD)
  • 第74.1回：M74.1：ResNetとオイラー法の関係
  • 第74.2回：M74.2：随伴法 (Adjoint Method) によるODEの学習
  • 第74.3回：M74.3：薬物動態 (PK/PD) モデルとNeural ODEの融合