
ニューラルネットワークとは?|医療系学生向けに0から解説
こんにちは!
MedAI Studyです。
前回は、
AI → 機械学習 → 深層学習
という関係について学びました。
そして深層学習の説明で登場したのが、
ニューラルネットワーク(Neural Network)
という言葉です。
「人間の脳をまねしたAI」
と説明されることも多いニューラルネットワークですが、
実際には、
何を入力して、どんな計算をして、どうやって答えを出しているのでしょうか?
今回は、ニューラルネットワークを初めて勉強する医療系学生でも理解できるように、
入力 → 計算 → 出力
という一番基本的なところから見ていきます。
⸻
この記事を読むとわかること
この記事を最後まで読むと、
* ニューラルネットワークとは何か
* 入力層・隠れ層・出力層とは何か
* ニューロンでは何を計算しているのか
* 「重み」と「バイアス」とは何か
* 活性化関数は何のためにあるのか
* AIはどうやって学習するのか
* 医療ではどんな場面で利用されるのか
* ニューラルネットワークにも限界がある理由
が理解できるようになります。
今回も数式をできるだけ少なくして、まずはイメージをつかむことを目標にします。
⸻
そもそもニューラルネットワークとは?
ニューラルネットワークは、
複数の小さな計算単位をつなげて、入力されたデータからパターンを学習する仕組み
です。
英語では、
Artificial Neural Network:ANN
と呼ばれることもあります。
「Neural=神経の」
という名前からわかるように、人間の脳にある神経細胞のつながりから着想を得て発展してきました。
ただし、
ニューラルネットワーク=人間の脳を完全に再現したもの
ではありません。
あくまで脳の仕組みから着想を得た数学的・計算的なモデルです。

基本的には、
入力層 → 隠れ層 → 出力層
という構造になっています。
⸻
医療の例で考えてみよう
いきなりAIの話をすると難しいので、まず医療っぽい例で考えてみます。
例えば、
「ある患者さんが将来、心血管イベントを起こすリスクを予測したい」
とします。
AIに入力する情報として、
* 年齢
* 血圧
* LDLコレステロール
* HbA1c
* 喫煙歴
* BMI
などがあるとします。
これらがニューラルネットワークにとっての、
入力(Input)
です。
そしてニューラルネットワークの中でさまざまな計算を行い、
最終的に、
「高リスク 0.82」
のような結果を出すことができます。
もちろん実際の臨床用モデルは、データの集め方、学習方法、検証、バイアス、安全性などを慎重に評価する必要があります。
ここでは仕組みを理解するための単純な例として考えてください。
⸻
ニューラルネットワークの3つの層
ニューラルネットワークには、大きく分けて3種類の層があります。
① 入力層
最初にデータを受け取る場所です。
例えば、
年齢
血圧
BMI
検査値
など。
画像AIなら、
画像を構成する画素(ピクセル)
が入力になります。
⸻
② 隠れ層
ここがニューラルネットワークの中心です。
入力された情報に対して、
重み付け → 計算 → 変換
を繰り返します。
「隠れ層」という名前ですが、何か秘密の層という意味ではありません。
重みについては後ほど解説しますね。
入力と出力の間に存在していて、外から直接観察する層ではないため、この名前が使われています。
隠れ層がたくさん重なったニューラルネットワークが、
Deep Neural Network
です。
つまり、
Deep Learningの“Deep”は、層が深いという意味
なんですね。
⸻
③ 出力層
最後に予測結果を出す部分です。
例えば、
肺炎あり:0.92
肺炎なし:0.08
のような確率を出したり、
腫瘍の種類
を分類したり、
患者さんのリスクスコア
を出したりします。
⸻
では「1つのニューロン」は何をしている?
ここから少しだけAIらしくなります。
ニューラルネットワークを構成する小さな計算単位を、
人工ニューロン
と呼びます。
人工ニューロンがやっていることを超シンプルにすると、
①情報を受け取る
②それぞれの情報の重要度を考える
③全部まとめて計算する
④次のニューロンへ情報を渡す

ここで登場する重要な言葉が、
重み(Weight)
です。
⸻
「重み」って何?
重みとは、
その情報をどのくらい重要視するか
を表す数字です。
例えば架空のリスク予測AIで、
年齢
血圧
LDL
BMI
を使うとします。
もしモデルが学習の結果、
「この予測では血圧が特に重要そうだ」
と判断した場合、血圧に関連する入力には大きな重みが設定されることがあります。
反対に、
「この特徴はあまり予測に役立たない」
場合は、影響が小さくなるような重みになります。
つまりニューラルネットワークの学習では、
適切な重みを探していく
ことが非常に重要です。
⸻
「バイアス」もある
ニューラルネットワークでは、
Bias(バイアス)
という値も登場します。
これは入力とは別に加えられる調整値です。
少し乱暴にイメージすると、
「判断の基準位置を微調整するための値」
と考えるとわかりやすいです。
数学的には、
入力 × 重み
を全部足し合わせたあとに、バイアスを加えます。
例えば、
z = w₁x₁ + w₂x₂ + w₃x₃ + b
のような形です。
ここで、
x = 入力
w = 重み
b = バイアス
です。
「急に数式が出た!」
と思うかもしれませんが、覚える必要はありません。
重要なのは、
ニューラルネットワークは入力をそのまま見るのではなく、それぞれに重みを付けて計算している
ということです。
⸻
でも、この計算だけでは足りない
もし、
入力 × 重み + バイアス
だけを何層も繰り返しても、表現できる関係には限界があります。
そこで登場するのが、
活性化関数(Activation Function)
です。
活性化関数は、ニューラルネットワークに非線形性を加えることで、単純な直線だけでは表現できない複雑なパターンを学べるようにします。
⸻
活性化関数とは?
かなり簡単に言えば、
「ニューロンが受け取った値を、次にどのような形で渡すか決める関数」
です。
代表的なものには、
* ReLU
* Sigmoid
* Tanh
などがあります。
例えばSigmoid関数では、出力を0〜1の範囲に変換できます。
そのため、
確率っぽい値
を扱う場面で登場することがあります。
一方、現在の深層学習ではReLU系の活性化関数も広く用いられています。

初心者の段階では、
活性化関数=複雑な関係を学べるようにする重要な仕組み
くらいで大丈夫です。
⸻
ニューラルネットワークはどうやって「学習」するの?
ここがとても面白いところです。
最初のニューラルネットワークは、
正しい重みを知りません。
つまり最初は、
かなり適当な予測をします。
例えば本当は、
肺炎あり
なのに、
AIが、
肺炎なし
と予測したとします。
すると、
「予測が間違っていますよ」
という情報を使って、内部の重みを少し修正します。
また予測する。
↓
間違える。
↓
重みを修正する。
↓
また予測する。
この作業を大量のデータで何度も繰り返します。

⸻
「どれくらい間違えた?」を測る
AIが学習するためには、
予測がどれくらい間違っていたか
を数字にする必要があります。
そのために使われるのが、
損失関数(Loss Function)
です。
例えば、
正解:肺炎あり
AIの予測:肺炎なし
だった場合、
大きな損失。
反対に、
正解:肺炎あり
AIの予測:肺炎である確率99%
なら、
損失は小さくなります。
つまりAIは、
損失をできるだけ小さくする
方向に学習していきます。
⸻
誤差逆伝播とは?
ここで出てくる有名な言葉が、
Backpropagation(誤差逆伝播法)
です。
名前だけ見ると難しそうですが、
イメージはかなりシンプルです。
AIが出した答え
↓
正解と比較
↓
どれくらい間違えたか確認
↓
後ろの層から前の層へ
「どの重みをどのくらい修正すればよいか」を伝える
という流れです。
要するに、間違えがあった場合に、
導いた答えを逆算しながら、間違えた犯人探しをするイメージで大丈夫です。
Stanford HAIも、誤差逆伝播をニューラルネットワークが誤りから学習するための主要な学習方法として紹介しています。 (Stanford HAI)
つまり、
AIが間違える
→ 間違いを分析する
→ 重みを修正する
→ 少し良くなる
を何度も繰り返しているわけです。
⸻
医療ではどんなデータを扱える?
ニューラルネットワークの面白いところは、
扱えるデータの種類がかなり広い
ことです。
例えば、
医療画像
X線
CT
MRI
超音波
病理画像
など。
画像から、
病変検出
分類
セグメンテーション
などを行います。
FDAも、AI/MLを利用する医療機器の例として、画像情報から診断情報を提供するシステムなどを挙げています。
⸻
電子カルテ・臨床データ
年齢
検査値
既往歴
投薬歴
バイタルサイン
などを使って、
リスク予測
予後予測
再入院予測
などを研究できます。
⸻
病理画像
病理組織画像から、
細胞や組織の分類
がんの検出
悪性度の評価
などへの応用が研究されています。
⸻
ゲノム・オミックス
遺伝子発現など大量の生物学的データから、
疾患リスク
患者分類
治療反応
などを解析する研究にも利用されています。
⸻
画像AIではさらに特殊なニューラルネットワークを使う
ここで次の記事につながります。
X線・CT・MRI・病理画像などを扱うとき、
ただのニューラルネットワークではなく、
画像処理に向いた構造を使うことがあります。
その代表が、
CNN
Convolutional Neural Network
畳み込みニューラルネットワーク
です。
CNNは長年、医療画像AIの非常に重要な基盤となってきました。特に病変検出・分類・セグメンテーションなどで広く利用されています。
CNNについては、今後の記事でしっかり扱います。
⸻
実は「人間の脳」とはかなり違う
ニューラルネットワークについて、
「人間の脳を再現したAI」
という説明を見ることがあります。
これは完全に間違いではありませんが、
少し注意が必要です。
ニューラルネットワークは神経細胞のつながりから着想を得ていますが、
実際の脳は、
神経伝達物質
複雑な神経回路
時間的な活動
可塑性
身体との相互作用
など、はるかに複雑です。
つまり、
ニューラルネットワークは脳そのものではなく、脳からヒントを得た計算モデル
と考える方が正確です。
⸻
AIが学習したからといって「理解している」とは限らない
ここも医療AIを勉強するうえで、とても大切です。
ニューラルネットワークが高い精度を出したとしても、
人間と同じように病気を理解しているとは限りません。
例えば、
病変そのものではなく、
画像に含まれた文字
撮影装置の違い
病院特有の画像処理
患者群の偏り
など、私たちが意図していない特徴を使って予測している可能性もあります。
(秘匿すべき情報や、本来利用すべきでない情報がAIの入力・学習・推論・出力に入り込むことを
”データリーケージ“と呼びますが、興味のある方はぜひ調べてみてください)
そのため医療AIでは、
なぜその予測をしたのか
別の病院でも同じ性能を出せるのか
患者集団によって性能差はないか
といった点も重要になります。
近年の医療AI研究では、性能だけでなく公平性やバイアス、解釈可能性なども大きな課題として扱われています。
⸻
医療AIでは「データの質」が
とても重要
どれだけ高性能なニューラルネットワークでも、
学習するデータが悪ければ、
良いAIにはなりません。
例えば、
ある年齢層ばかり
特定の病院ばかり
特定の装置ばかり
特定の人種・性別に偏っている
といったデータで学習すると、
別の患者集団では性能が低下する可能性があります。
つまり、
良いモデル+良いデータ+適切な評価
が必要です。
医療AIでは、モデルそのものだけでなく、
「何を学習させたのか」
を見ることがとても大切です。
⸻
今日の重要ポイント
ニューラルネットワークを一言で表すなら、
「入力されたデータを何層もの計算によって変換し、適切な重みを学習して予測する仕組み」
です。
流れをもう一度整理すると、
入力
↓
重み付け
↓
バイアス
↓
活性化関数
↓
次の層へ
↓
最終的な予測
↓
正解と比較
↓
誤差をもとに重みを修正
という流れになります。

⸻
今日の3行まとめ
① ニューラルネットワークは、入力層・隠れ層・出力層から構成される
② 学習とは、予測の誤差を小さくするように重みを調整すること
③ 医療では画像・臨床データ・病理・ゲノムなど幅広いデータに利用されている
この3つを覚えておけば、まずは十分です!
⸻
ちょっとだけ専門家向けメモ
ここまで理解できた方は、もう一段だけ進んでみましょう。(余裕のある方だけで大丈夫です!)
ニューラルネットワークでは、
Forward propagation
で入力から予測を計算し、
Loss function
で誤差を計算し、
Backpropagation
によって各パラメータの勾配を求め、
Gradient descentなどの最適化手法
で重みを更新していきます。
初心者の段階で数式まで覚える必要はありません。
ただ、
「学習=魔法ではなく、誤差を計算してパラメータを少しずつ修正している」
と理解しておくと、今後のAI学習がかなり楽になります。
⸻
次回予告
次はいよいよ、
画像AI
の世界に入っていきます。
MedAI Study #03では 、
「CNNとは?|なぜAIはX線・CT・MRIの画像を理解できるのか」
を予定しています。
ニューラルネットワークが、
画像の線
輪郭
形
パターン
をどのように見つけていくのかを、医療画像を使いながら解説します。
ここから医療AIらしさが一気に増してきます。
スキやフォローをしていただけると、今後の記事作成の励みになります。
一緒に医療AIを、少しずつ楽しく学んでいきましょう!
MedAI Study
⸻
参考資料
* NCBI Bookshelf, Fundamentals of Artificial Neural Networks and Deep Learning
* NCBI Bookshelf, Deep Learning: Basics and Convolutional Neural Networks
* Stanford University, AI in Healthcare – Deep Learning Fundamentals
* U.S. Food and Drug Administration, FDA Digital Health and Artificial Intelligence Glossary
* U.S. Food and Drug Administration, Artificial Intelligence in Software as a Medical Device
* FDA, Artificial Intelligence-Enabled Medical Devices
※本記事は医療・AIについての学習を目的とした教育コンテンツです。個人に対する診断・治療などの医学的助言を目的としたものではありません。