医療画像診断×連合学習デモ — 3病院が画像を送らず診断AIを鍛える
3つの病院が「病変画像」を診断するAIを、画像を1枚も送らず重みだけ持ち寄って学習。医師の経験則（ABCDEルール）を初期値にすると学習が速くなる様子も比較できます。合成画像のみ使用・実患者データなし。
医療画像×連合学習とは
医療画像は個人情報保護・倫理審査の制約が特に強く、施設をまたいだデータ共有が難しい領域です。 実際にAMED（日本医療研究開発機構）の研究事業では、東京慈恵会医科大学など全国6施設が乳腺腫瘤の超音波画像を院外に出さずに連合学習を実証しています （医用画像FLではNVIDIA FLAREが標準的な基盤）。
病院ごとに紹介される患者層が違えば、症例の構成（良性・要精査の比率）も自然と偏ります。これが医療FLにおける非IIDの主因です。
このデモの読み方
- ・病変画像は実患者データではなく、ABCDEルール（非対称性・境界不整・色調のむら・直径）に基づいて手続き的に生成した合成画像です。
- ・画像右上の点はその病変の実際の診断（正解ラベル）です（🔴要精査／🟢良性）。3病院はそれぞれ紹介される症例の構成が大きく偏っています（病院Aは緑が多め、病院Cは赤が多め）。
- ・下のグラフは「ゼロから学習」と「医師の経験則（ABCDEの大まかな事前分布）を初期値に学習」を常に同時進行させて比較しています。学習を1回もしていないラウンド0の時点で、すでに大きな差があります。
- ・「両方を1ラウンド進める」を押すたびに、2つの折れ線が同時に更新されます。経験則スタートは常に一歩リードしたまま学習が進む様子を見てください。
仕組みの全体像は 連合学習 完全ガイド を、非IIDへの一般的な対処は 水平連合学習デモ を、少数データからの立ち上げは 連合転移学習デモ をどうぞ。
⚠️ 重要な注意事項
本デモは連合学習の仕組みを理解するための教材であり、実在の患者データは一切使用していません。 病変画像はABCDEルールに基づく合成データ、判定ロジックも簡易的なロジスティック回帰です。 実際の医療診断には専門医の判断と、適切な倫理審査・臨床検証を経た医用画像診断AIが必要です。 本デモの結果を診断の根拠にすることはできません。
関連デモ
2体のローカルAI、いつか（VLM）と きつと（分類器）が別々に当てて相談。はずれを教えるほど端末内で学習し、似た絵をk近傍で当てる。全部ブラウザ内・データ送信なし
🔴 分類器8.6MB＋会話LLM約500MB（押したら読込）小さなニューラルネットを進化戦略でブラウザ内学習。におい勾配を登って缶に最短到達する方策を獲得し、学習なしのルール猫と競走。学習も推論も端末内で完結
🟢 0MB（ブラウザ内ES学習）粘着トラップの写真から捕獲数をブラウザ内画像処理で自動カウント。ビル環境衛生(IPM)のモニタリングを効率化
🟢 0MB（モデル不要）このデモを「実機」で使うには？
実測データで最適な機種を選び、つまずいたら原因→対処をたどれます。