専門家監修・コメント（浅田レディースクリニック 浅田義正先生）
はじめに
生殖補助医療（ART）において、体外受精（IVF）で得られた受精卵（胚）を培養し、最も着床しやすい胚を選択することは妊娠率を左右する重要なプロセスです。
従来は胚培養士が顕微鏡で定期的に胚の形態を観察し、発生速度や細胞数の推移を記録して胚の良否を判断してきました。
しかし、熟練者による主観的な評価には個人差や経験の偏りがあり、胚の良否を正確に判断することは難しいとされていました。
近年、人工知能（AI）技術の発展により、胚培養や胚のグレード診断にAIを活用する試みが活発化しています。
AIは大量のデータを学習し、客観的で一貫した評価を行うことができるため、胚培養士の負担軽減や評価精度の向上が期待されています。
本記事では、生殖医療における胚培養と胚のグレード診断におけるAI活用の現状をまとめ、主要なAI技術とその用途、国内外の臨床導入事例、AI活用による臨床成果、倫理的・法的・社会的課題、そして今後の展望について詳しく解説します。
AIによる胚培養と胚評価の背景と意義
体外受精で得られた受精卵は、数時間ごとに細胞分裂して発育します。胚培養士は顕微鏡でこの発育過程を観察し、胚の細胞数や形態、発生速度、細胞分裂のタイミングなどを評価しています。
しかし、胚培養士の経験や個人の判断によって胚の良否評価にばらつきが生じ、正確な胚の選別が困難な場合があります。
特に、近年は胚培養環境の改善や培養プロトコルの洗練により、受精卵の発育が速くなり胚培養士の負担が増大しています。
さらに、受精卵の良否を左右する因子は胚の形態だけでなく複雑な要因（染色体の正常性や細胞内のメタボリズムなど）であり、熟練者の主観的な評価だけでは不十分な場合もあります。
AIを導入することで、これらの課題に対処できる可能性があります。AI技術は24時間365日安定した性能を維持し、人的ミスを減らすことができます。
また、大量の培養データを学習することで、人間には見落とされがちな微細な特徴やパターンを捉え、客観的な胚の評価を行うことができます。
例えば、AIは受精卵の細胞核の動きや細胞分裂のパターンから、胚の正常性や発育能力を予測することができます。
これにより、熟練培養士の判断に頼らずに着床可能性の高い胚を選ぶことが可能になり、結果として妊娠率や着床率の向上に寄与すると期待されています。
また、AIの活用は医療の効率化にもつながります。胚培養士は、AIが提供する客観的な評価を参考にしながら、より重要な業務（胚の移植操作や培養環境の管理など）に注力できるようになります。
さらに、AIが自動で大量のデータを解析することで、培養士の評価にかかる時間を短縮でき、複数の胚を並行して評価することも可能になります。
これにより、胚培養士の負担軽減と作業効率の向上が期待されます。
実際、生殖医療現場では「AIとの協働でIVFの成功率を高める胚培養士」という新たな職種の出現も見られ始めており、AIが医療のプロセスを支える一方で人間の専門家の役割が変化していくことが予想されています。
主要なAI技術とその用途
生殖医療における胚培養と胚評価には、様々なAI技術が活用されています。代表的なものに、タイムラプス撮像と胚の形態動態解析、深層学習による胚の画像認識とスコアリング、データ解析と統計モデルによる胚の予測などがあります。
以下、これらの技術について詳しく解説します。
タイムラプス撮像と胚の形態動態解析
タイムラプスインキュベーターは、受精胚を安定環境下で連続撮影しながら培養する装置です。
従来は胚培養士が一定間隔で顕微鏡観察を行っていましたが、タイムラプスでは自動的に数時間ごとに胚を撮像し、ビデオや画像シーケンスとして記録できます。これにより、胚の発育状況を詳細に評価可能です。
例えば、胚の細胞数や細胞分裂のタイミング（t2: 2細胞期到達時間、t3: 3細胞期到達時間、t4: 4細胞期到達時間、t5: 5細胞期到達時間、tB: 胚盤胞期到達時間など）を計測し、形態動態パラメータとして蓄積できます。
タイムラプス画像は高解像度で細かな変化を記録するため、胚の形態や動きをより精密に分析できます。
タイムラプス画像から得られたデータは、AI解析によって高度な情報抽出が可能です。例えば、AIがタイムラプス動画を解析し、胚の細胞分裂周期のばらつきや、細胞核の動きから胚の品質を評価することができます。
また、タイムラプスインキュベーターに組み込まれたAIにより、胚のスコアリングや評価が自動化されています。
例えば、Vitrolife社のEmbryoscope（エンブリオスコープ）にはKIDScoreという胚の良否を示すスコアがあり、これは熟練者が胚の形態動態を記録・スコア付けしたデータに基づいていました。
しかし、最近ではAI学習を主軸としたiDAScoreが登場し、タイムラプス画像シーケンスのみから胚のスコアを自動算出するようになりました。
iDAScoreは、115,832個の胚のデータから学習したAIモデルであり、着床胚を選別するAUC（曲線下面積）0.67という性能を示し、従来法と同等以上の精度を持つことが報告されています。
このように、タイムラプス撮像とAI解析の組み合わせにより、胚培養士の手作業に頼らずに客観的な胚評価が可能となっています。
タイムラプスインキュベーターとAIの組み合わせは、胚培養における自動化とデータ分析の進展により、より高精度な胚評価を可能にしています。
これにより、胚の選別や生存率向上にも寄与しています。現在、生殖補助医療市場全体は拡大しており、特にタイムラプスシステムの需要が増加しています。
深層学習による胚の画像認識とスコアリング
深層学習は、大規模な画像データを学習してパターン認識を行う技術で、生殖医療でも胚の画像から良否を判断するモデルが開発されています。
具体的には、胚盤胞の顕微鏡画像やタイムラプス画像をAIが解析し、着床しやすい胚であるかをスコア付けしたり、胚の染色体異常（異数性）の有無を予測したりするものです。
例えば、米国のPresagen社は「Life Whisperer」というAI技術を開発し、胚の画像から臨床妊娠可能性や正倍数性（正常な染色体数）の可能性をスコアリングするソフトウェアを提供しています。このシステムは、胚培養士が胚を撮影して画像をアップロードするだけで、即座に客観的なスコアを得られるWebアプリケーションです。
Life Whispererは、20,000以上の胚盤胞画像を学習したAIが、胚の形態学的特徴から臨床妊娠可能性（Viability）と正倍数性可能性（Genetics）を0〜10点でスコア付けします。
スコアが高いほど、その胚が臨床妊娠に成功しやすい、あるいは正倍数性の可能性が高いことを示します。
Life Whispererの有効性は臨床研究で検証されています。Presagen社のリリースによれば、コホート研究では「Life Whisperer Viability」（妊娠可能性予測AI）を使用した場合、目視評価の3BB以上の胚を選択した場合と比較して、臨床妊娠に至るまでに必要なサイクル数を最大12.2%短縮できることが示されました。
また、「Life Whisperer Genetics」（正倍数性予測AI）は、胚盤胞のスコア上位にランク付けされた胚の82.4%が正倍数性であることを同研究で確認しています。
これは、胚の形態的特徴と正倍数性との相関をAIが解析し、PGT-A（着床前遺伝学的検査）の前スクリーニングやPGT-Aが利用できない患者の胚選択にも活用できることを示唆しています。
また、イスラエルのFairtility社は「CHLOE」というAI胚評価システムを開発し、2022年にはその一機能である受精胚評価AIツール「CHLOE EQ」が欧州医療機器規則（MDR）に基づくCEマークを取得しました。
CHLOE EQは、受精直後の胚から培養中の胚の生存率を予測するAIであり、胚盤胞の評価や着床の予測、正倍数性の予測などに活用されています。
CHLOEは、培養胚のタイムラプス動画から胚の形態スコアを自動算出し、母体年齢と合わせて胚の染色体異常の有無を予測するもので、従来必要だった熟練胚培養士による主観的評価を介さず、AIのアルゴリズムが胚のグループを発育の各段階で最適な特徴と常に比較測定することで胚の良否を判定します。
Fairtility社によれば、CHLOEを用いることで妊娠までの時間を短縮し、赤ちゃんが生まれる確率を改善できるとされています。
このように、深層学習による胚の画像認識とスコアリング技術は、客観的な胚評価を実現しつつ、医師や培養士の判断を補助するツールとして臨床に導入されています。
これらのAIは胚の画像を解析し、ブラックボックス的に良否を判定するため、人間の目では見落としがちな微細な特徴（例えば細胞の偏在や核の形態など）も捉えることができます。
しかし、AIの判断根拠が不透明な「ブラックボックス問題」も相まって、医師がAIの判断を鵜呑みにしてしまう「自動化バイアス」に陥る危険性も指摘されています。
このため、AIの出力を適切に解釈し、医師の最終判断に反映させることが重要です。
データ解析と統計モデルによる胚の予測
生殖医療には大量の患者データや治療データが蓄積されており、これらのデータをAIや統計モデルで解析することで、胚の良否や妊娠成功率を予測する研究も進んでいます。
例えば、慶應義塾大学と近畿大学、扶桑薬品工業の研究グループは、明視野顕微鏡で撮影したマウス受精卵の画像から細胞核を高精度に検出するアルゴリズム（FL2-Net）を開発しました。
このアルゴリズムは、4つの従来手法を凌駕した精度で細胞核を同定し、さらに抽出した特徴をもとにマウス胚の出生成否を予測したところ、既存手法や専門家の予測を大幅に上回る精度（81.63%の正解率）を達成しました。
この研究は、受精卵の質を正確に評価可能な本手法が不妊治療における専門家の意思決定を支援し、評価の標準化や負担の軽減に貢献することを示唆しています。
また、日本のクリニックでも、過去の治療データを機械学習で解析し、個々の患者の胚の着床可能性を予測する試みが行われています。
例えば、岡山二人クリニックでは、胚盤胞の形態画像と患者情報を組み合わせたデュアルAIシステムを開発し、日常診療で運用しています。
このシステムは、三次元に再構築した胚盤胞画像からAIが特徴を抽出し、患者の年齢やAMH値など既存の予測モデルと統合して、胚盤胞の着床可能性を確率値で予測します。
同クリニックは、このAIによる予測確率と実際の妊娠結果を比較検証する臨床研究を開始し、AIが胚選択の客観性や精度を向上させるかを検討しています。
さらに、日本産科婦人科内視鏡学会の研究では、不妊治療における妊娠の成否に影響を及ぼす因子を探索的に調査しました。
この研究では、一般不妊治療（人工授精やIVFなど）における妊娠成否に及ぼす因子を分析し、有効性の高いART（生殖補助医療技術）の実施につなげるための指針を示しました。
このようなデータ解析により、AIは大量の患者データから有用な知見を抽出し、胚の良否予測や治療プロトコルの最適化に役立てることができます。
データ解析と統計モデルによる胚の予測は、客観的な指標を提供しつつ、医師の判断を補助するとともに、治療プロセスの最適化にも寄与します。
ただし、これらのモデルは学習データに依存するため、データの偏りや過学習に注意が必要です。また、臨床での適用に際しては、専門家の臨床的知見とAIの予測結果を統合することが重要です。
国内外の代表的な臨床導入事例
AIによる胚培養と胚評価の技術は、世界各国の生殖補助医療クリニックで導入・検証が進んでいます。
特に欧米では、AIを組み込んだ胚培養システムや胚評価ツールの実用化が進み、日本でも一部の不妊クリニックで導入が始まっています。以下に、国内外の代表的な臨床導入事例を紹介します。
タイムラプスインキュベーターとAIの組み合わせ
Embryoscope（エンブリオスコープ）＋iDAScore
Vitrolife社のタイムラプスインキュベーターEmbryoscopeは、世界中の不妊クリニックで広く導入されています。
従来は熟練培養士が胚の形態動態を記録してKIDScoreを算出していましたが、2022年にはAI学習によるiDAScoreがEmbryoscopeに搭載されました。
iDAScoreは、タイムラプス画像シーケンスのみから胚のスコアを自動算出し、胚培養士が手作業で評価する手間を省きます。
また、iDAScoreは胚培養士が個別に発育段階にラベル付けする必要がなく、AIが自動で発育パターンを解析するため、培養士間のばらつきを低減できます。
実際、iDAScoreの有効性は、当院基準の形態的胚評価法によって実施した単一胚盤胞移植の結果をもとに検討され、iDAScoreのスコアが高いほど妊娠率が高まることが示されています。
その他のタイムラプスシステム
Vitrolife以外にも様々なタイムラプスインキュベーターが存在します。
これらのシステムにもAIを組み合わせた評価機能が導入されており、例えばEmbryoTrackには培養士が胚を撮影してAIがスコア付けする機能があります。
また、日本のクリニックでもタイムラプスインキュベーターの導入が進んでおり、2021年12月から2022年2月にかけて国内のART施設を対象に行われた実態調査（2023年発表）によると、その導入率は48.2%でした。
これらのタイムラプスインキュベーターの普及により、AIによる胚評価が日常的に行われる機会が増えています。
胚画像スコアリングAIの臨床導入
Life Whisperer（Presagen社）
Presagen社のLife Whispererは、胚培養士が胚を撮影して画像をアップロードするだけで、即座に客観的なスコアを得られるWebアプリケーションです。
Life Whispererは欧米の不妊クリニックで広く導入されており、例えば米国のTexas Fertility Center（TFC）やOvation Fertilityでは、AIによる胚評価を日常診療に組み込んでいます。
日本でも一部の不妊クリニックがLife Whispererを検証しています。例えば、アサダ不妊クリニックでは本邦で先駆けてLife Whispererの検証を進めており、妊娠予測AIと正倍数性予測AIを組み合わせて胚選択を行う試みを報告しています。
また、EmbryoHero（胚ヒーロー）不妊クリニックでも、Life Whisperer Geneticsによる正倍数性予測を導入し、PGT-Aを受けられない患者の胚選択に活用しています。
Life Whispererはタイムラプスインキュベーター不要で導入できるため、初期導入コストが低く、導入が容易です。このため、多くの中小規模な不妊クリニックでも導入が進んでいます。
CHLOE EQ（Fairtility社）：イスラエルのFairtility社のCHLOE EQは、2022年に欧州医療機器規則（MDR）に基づくCEマークを取得しました。
これにより、欧州の体外受精クリニックへのCHLOE EQ導入が始まりました。CHLOE EQは、受精直後の胚から培養中の胚の生存率を予測するAIであり、胚盤胞の評価や着床の予測、正倍数性の予測などに活用されています。
Fairtility社によれば、CHLOEを用いることで妊娠までの時間を短縮し、赤ちゃんが生まれる確率を改善できるとされています。
日本でも一部のクリニックがCHLOE EQを検討しており、例えばあるクリニックでは、「移植前に胚の選択に役立つAIツール、CHLOE EQを使用している」との情報が公開されています。
CHLOE EQはハードウェア投資なしでソフトウェアとして導入できるため、導入コストが低く、導入が容易です。
現在、CHLOE EQは欧州で実臨床導入が始まりつつあり、今後日本でも一部のクリニックで検証が進む見込みです。
その他の胚評価AI：その他にも、米国のIVF Life Group社の「AIVF」やイタリアの「Artificial Embryologist」など、胚評価AIが存在します。
AIVFはタイムラプス動画から胚のスコアを自動算出し、人間の培養士の評価を上回る精度を示すと報告されています。
Artificial Embryologistは、胚盤胞の写真画像からAIが胚の良否をスコア付けするシステムで、欧州でも一部のクリニックで検証されています。
これらのAIツールはいずれも、培養士の主観に頼らず客観的な胚評価を提供することで、臨床に実用化されつつあります。
AIを活用したデータ分析とデジタルツール
iDAScoreの臨床導入：前述の通り、iDAScoreはEmbryoscopeに組み込まれていますが、日本の一部のクリニックではEmbryoscopeを導入していないにもかかわらず、iDAScoreのスコアを得るためのデータをクラウド上で解析するサービスも提供されています。
例えば、銀座の不妊クリニックでは、培養中の胚の画像を毎日クラウドにアップロードし、iDAScoreのスコアを受け取る仕組みを構築しています。
これにより、培養士は胚のスコアをリアルタイムで確認し、胚の発育状況を客観的に把握できます。
iDAScoreの導入により、胚培養士の手作業評価を減らし、時間短縮とばらつき低減が図られています。
データ分析サービスの導入：生殖医療のクリニックでは、患者データや治療データを蓄積し、これをAIで分析することで治療の最適化を図る動きもあります。
例えば、日本のクリニックでは「vivola-Analytics」というデータ解析サービスを活用し、患者の年齢、卵巣機能（AMH値）、治療プロトコル、過去の妊娠歴などを統合して、個々の患者に最適な治療プランを提案する試みが報告されています。
このデータ解析サービスは、機械学習モデルにより大量のデータから有用な知見を抽出し、医師の意思決定を支援します。
また、他のクリニックでは、「タイムラプスインキュベーターに搭載されたAIが有用か？」という議論を行い、実際にiDAScoreを導入したクリニックでは「iDAScoreはAIが自動判定してスコアリングするシステムで、その機能の有効性は培養士の目による評価と同等か、もしくはそれ以上とも言える」と述べています。
このように、データ分析やAIを活用したツールは、日本の不妊クリニックでも徐々に導入が進んでいます。
他の技術との組み合わせ：AIは生殖医療の他の分野とも組み合わせて活用されています。
例えば、日本のあるクリニックでは、タイムラプス培養とAI解析に加えて、「世界初AI搭載Geri」という胚培養装置を導入し、AIが良好胚を判定することで妊娠率を向上させたと報告しています。
また、「世界初ロボット技術による全自動胚凍結機ロボットGavi」を導入し、全自動で安全な胚凍結が可能になったとのことです。
このように、AIとロボット技術の組み合わせにより、胚培養や凍結といった作業の自動化も進んでいます。
さらに、生成AIを用いて患者向けの説明文を自動生成したり、医師が患者に対して質問を行う際のフレーズを提案したりする試みも行われています。
以上のように、国内外の不妊クリニックでは様々なAI技術が臨床導入されています。
それぞれのクリニックでは、AIの導入によってどのような効果が得られているのかが検証されており、今後、より客観的で効果的な胚評価・選別が可能になることが期待されています。
AI活用による臨床成果の検証
AIを用いた胚培養と胚評価の導入が進む中で、その臨床成果（妊娠率や着床率の向上、胚の選別精度の向上など）がどの程度検証されているかを確認します。
以下、主要な臨床研究や報告に基づき、AI活用による成果を整理します。
妊娠率・着床率の向上
AIによる胚評価が実際に妊娠率や着床率を向上させるかは、最も重要な検証項目です。
Presagen社のコホート研究では、「Life Whisperer Viability」（妊娠可能性予測AI）を使用した場合、目視評価の3BB以上の胚を選択した場合と比較して、臨床妊娠に至るまでに必要なサイクル数を最大12.2%短縮できることが示されました。
これは、AIが選別した胚を移植することで、同じ治療を行った場合でもより早く妊娠に至る可能性があることを意味します。
また、「Life Whisperer Genetics」（正倍数性予測AI）は、胚盤胞のスコア上位にランク付けされた胚の82.4%が正倍数性であることを確認しており、これはPGT-Aを受けられない患者においてもAIによる胚選択が正倍数性胚を選ぶ効果があることを示唆しています。
正倍数性胚は通常着床率が高いため、この結果はAI活用による着床率向上につながる可能性があります。
また、CHLOE EQに関する臨床研究では、CHLOEによるAIスコアと妊娠には正の相関があり、従来の標準的等級付け手法と比較して移植後の妊娠までの期間（TTP: Time to Pregnancy）を有意に短縮（最大25.6%）することが示されました。
これは、AIが選別した胚を移植することで、同じ治療を行った場合でもより早く妊娠に至る可能性があることを意味します。
また、CHLOEは、タイムラプス動画から胚の形態スコアを自動算出し、母体年齢と合わせて胚の染色体異常の有無を予測するもので、従来必要だった熟練胚培養士による主観的評価を介さず、AIのアルゴリズムが胚のグループを発育の各段階で最適な特徴と常に比較測定することで胚の良否を判定します。
Fairtility社によれば、CHLOEを用いることで妊娠までの時間を短縮し、赤ちゃんが生まれる確率を改善できるとされています。
iDAScoreについても、臨床研究でその有効性が検証されています。
例えば、岡山二人クリニックの研究では、iDAScoreのスコアが高いほど妊娠率が高まることが示されました。また、世界18施設の115,832個の胚データからAI学習したiDA scoreは、着床胚選別のAUC 0.67を示し、従来法と同等以上の性能を持つことが示されました。
この結果は、iDAScoreが従来の胚評価手法と同等に高い精度で胚を選別できることを意味します。
ただし、iDAScoreの精度は患者の年齢や移植方法によって異なるため、そのまま性能を一概に評価することは難しく、従来評価法の補足データとして用いるのが推奨されます。
総じて、現在の研究ではAIを用いた胚評価が、同じ治療条件下でより早く妊娠に至る（TTP短縮）、より多くの正倍数性胚を選択する、従来手法と同等以上の精度で着床胚を選別するといった成果が報告されています。
これらの成果は、AI活用が実際に妊娠率や着床率の向上に寄与し得ることを示唆しています。
ただし、すべての研究が統計的に有意な差を示したわけではなく、臨床効果の大きさはクリニックや患者の状況によって異なる可能性があります。
そのため、AIの導入は慎重に検証し、十分なデータが蓄積された上で広範囲に普及する必要があります。
胚の選別精度と効率の向上
AI活用によるもう一つの成果は、胚の選別精度と効率の向上です。熟練培養士の主観的評価に頼っていた従来法に比べ、AIは客観的かつ一貫した評価を行うため、選別精度が向上すると期待されています。
Presagen社の研究では、Life Whispererを用いることで臨床妊娠する胚の選択率が改善され、目視による胚評価と比較した際に、臨床妊娠達成までに必要なサイクル数を12%短縮できることが示されました。
これは、AIがより高い確率で良質な胚を選別しているため、少ないサイクルで妊娠に至ったと考えられます。
また、CHLOEについても、AIスコアが高いほど移植後の妊娠率が高く、従来の形態学的評価法より高い精度で胚の良否を予測できることが示されています。
さらに、AIによる胚評価は培養士の評価効率を大幅に向上させます。タイムラプスインキュベーターとAIを組み合わせることで、培養士は手作業で胚を観察・記録する時間を減らし、より重要な作業に注力できます。
例えば、iDAScoreは胚培養士が個別に発育段階にラベル付けする必要がなく、AIが自動で発育パターンを解析するため、培養士間のばらつきを低減できます。
また、CHLOEはAIが自動で胚のスコアを算出するため、培養士が胚を逐次評価する手間を省き、複数の胚を並行して評価することも可能になります。
これにより、培養士の負担が軽減され、作業効率が向上します。
総じて、AI活用により胚の選別精度の向上（良質な胚をより高い確率で選ぶ）と評価効率の向上（培養士の作業時間短縮）が達成されつつあります。
これらの効果は、患者にとってはより早く妊娠に至る機会を増やすことにつながり、医療従事者にとっては負担軽減と業務効率化につながる点で、大きなメリットとなっています。
バイアスの低減と標準化
AIを用いることで、熟練培養士の経験による偏りや、培養士ごとの主観的な評価ばらつきを低減できる可能性があります。
例えば、iDAScoreは胚培養士が個別に発育段階にラベル付けする必要がなく、AIが自動で発育パターンを解析するため、培養士間のばらつきを低減できます。
また、CHLOEは熟練培養士による主観的評価を介さず、AIのアルゴリズムが常に同じ基準で胚を評価するため、培養士ごとのバイアスを排除できます。
このように、AIによる客観的評価は評価の標準化に寄与し、医療の公平性を高めることが期待されます。
しかし、バイアスは完全に排除できるものではなく、AIの学習データやアルゴリズムによって新たな偏りが生じる可能性もあります。
AIモデルは学習データの偏りをそのまま反映してしまう恐れがあり、公平性を担保する取り組みや法規制も求められます。
現在、AIの公平性を確保するための研究（例えば学習データの偏りを補正する手法など）が進んでいますが、臨床での実用化にはさらなる検証が必要です。
以上のように、AI活用による臨床成果としては、妊娠率や着床率の向上、胚の選別精度の向上、培養士の作業効率向上、評価の標準化などが期待されています。
現時点での研究ではこれらの効果の一部が確認されていますが、より大規模なデータと長期的な観察によって、AIの臨床効果をより定量化していく必要があります。
倫理的・法的・社会的課題と展望
AIを生殖医療の現場に導入するにあたっては、倫理的・法的・社会的な課題も指摘されています。これらの課題を踏まえつつ、今後の展望について考えてみます。
倫理的課題
誤診やミスに対する責任の所在：AIが誤った評価をした場合、その責任は誰が負うのかという問題です。
AIの判断根拠が不明瞭な「ブラックボックス問題」も相まって、医師がAIの判断を鵜呑みにしてしまう「自動化バイアス」に陥る危険性も指摘されています。
現在の日本の法解釈では、AIを利用したとしても最終的な診断・治療の責任は医師が負うとされています。
データの偏りと公平性：AIモデルは学習データに依存するため、データの偏り（例えば特定の種族や性別、年齢層のデータが多いなど）があると、その偏りが評価結果にも反映されてしまいます。
このようなデータバイアスは特定のグループに対する医療サービスの質を低下させるとともに、社会集団内での健康格差を拡大する要因となり得ます。
例えば、AIが過去のデータから学習した評価指標が、特定の種族の患者に対して不利に働くような偏りがあると、その患者は不公平な評価を受け、適切な治療を受けられないリスクがあります。
また、AIは客観的な指標を提供する一方で、患者の個別的な背景や価値観を十分に反映できない可能性もあります。
このため、AIの判断を人間の医師が慎重に検証し、患者の個別的状況にも配慮することが倫理的に重要です。
患者のプライバシーと同意：AIを用いるには大量の患者データが必要であり、これには患者の個人情報や健康情報が含まれます。
例えば、タイムラプス画像や胚の画像、患者の医療記録などは非常に機微な情報です。
AIの開発者や他の機関にこれらのデータが漏洩した場合、患者のプライバシーが侵害されるリスクがあります。
また、患者に対してAIを活用すること自体を十分に説明し、同意を得る必要があります。
例えば、「この胚の良否評価にAIを使います」といった情報提供や、患者の同意を得てデータを学習に用いるかどうかの選択肢を与えることが望まれます。
実際、厚生労働省は医療AIの研究開発・実践に伴う倫理的・法的・社会的課題について報告書を発行し、医療AIに関するガイドラインの策定を進めています。
このガイドラインでは、患者の同意やプライバシー保護、AIの透明性確保などが重要な論点として挙げられています。
患者の非人間化や倫理的ジレンマ：AIによって胚の良否が客観的にスコア付けされると、患者の「生まれる子ども」を「数字」や「スコア」で表現することになり、患者の感情的な側面が軽視される恐れがあります。
例えば、ある胚がスコアが低くと判定された場合、それを捨てることになりますが、その胚は生まれた場合にどんな子どもになるかという想定をすると、感情的に受け入れにくい場面もあります。
また、AIが胚の遺伝的正常性を予測できるようになれば、正倍数性でない胚を捨てることが可能になり、「子どもを作るという倫理的価値」と「遺伝的異常を持つ子どもを産まないという倫理的価値」とのバランスが問われるジレンマが生じます。
このような問題に対しては、患者と医師が十分な情報提供と議論を行い、患者の価値観に沿った意思決定を行うことが求められます。
また、AIの活用が進むことで、胚の「良し悪し」が明確になりすぎると、患者にとって精神的な負担が増大する可能性もあります。
法的課題
医療機器としての承認：AIを用いた胚評価システムは、医療機器として薬事承認を受ける必要があります。
日本では、AIを含むソフトウェア医療機器（SaMD）は薬事法上、医療機器として規制されています。AIモデルの有効性・安全性を確認するための臨床試験を実施し、承認申請を行う必要があります。
このプロセスは比較的手間がかかり、時間とコストがかかるため、新規のAIツールが臨床に導入されるまでに時間がかかる場合があります。
ただし、近年はAI医療機器の承認プロセスの効率化やガイドラインの整備が進みつつあり、厚生労働省も「AIを活用したプログラム医療機器に関する報告書」を公表し、AI医療機器の適切かつ迅速な承認を支援する方針を示しています。
欧米でもFDAやEMAからAI医療機器の承認ガイドラインが出されており、日本でもそれらとの調和が進む見込みです。
製品化後の変更やメンテナンス：AIモデルは学習データを追加することで性能が変化する場合があります。
そのため、製品化後にAIモデルを更新する（いわゆる「市販後学習」）ことがあります。しかし、医療機器としては変更があれば新たな承認を得る必要があり、その変更が医療の安全性・有効性に与える影響を評価する必要があります。
現在、日本では市販後学習についてはガイドラインが整備されておらず、臨床現場でのニーズに応じてAIモデルを更新する柔軟性と、それに伴うリスク管理が課題となっています。
この点についても、PMDAなどが引き続き検討を進めています。
医療過誤との責任：前述の誤診責任の問題と重なりますが、AIを用いた場合の医療過誤の責任をどう取るかも法的に重要です。
AIの誤った判断により患者が不利益を被った場合、その責任は開発者、メーカー、病院、医師のいずれにあるのかという問題です。
現状、日本では医師が最終判断を行う以上、医師が責任を負うとされていますが、将来的にAIの役割が大きくなれば、この責任分担は明確になる必要があります。
欧州では「AIによる診断の場合、開発者にも一定の責任を負わせるべきだ」との主張もあり、法律の見直しが議論されています。
日本でも、AI医療機器の承認時に「メーカーに一定のモニタリング責任を負わせる」といった規定が検討される可能性があります。
患者の知的財産権：患者の医療データをAIの学習に用いる場合、患者のプライバシー保護だけでなく、患者の知的財産権についても考慮が必要です。
患者の健康データは患者が所有するものであり、それを医療機関や企業が無断で利用することは問題となります。
現状、医療機関が患者データを匿名化して共有・研究に活用することは一般的ですが、AIの学習に患者データを用いる場合、患者の同意を得る必要があるか、あるいは患者に何らかの報酬を支払う必要があるかなどの論点が出てきます。
この点については、各国で法整備が進んでおり、例えば米国では患者データの商用利用に対して患者に報酬を支払う制度（データ料金）の導入が議論されています。
日本でも、患者のデータをAIに活用する際の患者の権利と責任について、今後明確なルールが必要となるでしょう。
社会的課題
医療従事者の職務内容の変化：AIが導入されると、胚培養士や医師の職務内容が変化する可能性があります。
胚培養士は、AIが提供する客観的な評価を参考にしながら、より高度な業務（例えば胚の移植操作や培養環境の管理など）に注力するようになると期待されます。
また、医師もAIの結果を解釈し、患者との対話や最終的な意思決定を行う役割になるでしょう。
これにより、培養士や医師の職務範囲が変化し、新たなスキルが求められる可能性があります。例えば、「AIとの協働でIVFの成功率を高める胚培養士」という新しい職種の出現も見られ始めています。
このように、AIが医療のプロセスを支える一方で人間の専門家の役割が変化していくことが予想されます。
医療従事者はこの変化に適応し、AIとの協働を通じて新たな価値を創出できるかが重要です。
医療格差とアクセシビリティ：AI技術は最先端のクリニックで導入されることが多く、一般のクリニックでは普及が遅れる可能性があります。
これにより、最先端クリニックではより高い成功率を得られる一方、そうでないクリニックでは差が拡大し、医療格差が悪化する恐れがあります。
また、AIツール自体には導入コストや維持費がかかるため、中小規模のクリニックでは導入が困難になる可能性もあります。
この点を解決するため、政府や産業界が支援策を講じる必要があります。
例えば、AIツールの価格を下げる、医療機器としての承認を容易にする、地域のクリニックでもAIデータを共有して学習させる仕組みを作るなどの取り組みが考えられます。
また、AIを活用することで医療の効率化が進めば、人材不足の解消や診療の質の向上につながるため、社会全体にとって大きなメリットとなります。
患者の信頼と受容：AIを用いることに対して、患者がどの程度信頼し受容するかも重要な社会的課題です。
患者は自分の胚にAIが使われることに不安や抵抗感を持つかもしれません。
例えば、「AIが胚の良否を判断するのでは、人間の培養士の目はどうなるのか」といった懸念や、「AIの誤りで自分の胚を捨ててしまうのでは」といった不安があるかもしれません。
また、患者によっては「AIが勝手に胚を選んで移植する」という誤解もあるかもしれません。このような患者の不安に対しては、医師が十分な説明とコミュニケーションを行い、患者の安心感を得ることが求められます。
また、AIの評価結果を患者に対しても明確に説明できるよう、ユーザーフレンドリーなレポートを提供することも重要です。
Presagen社のLife Whispererは患者向けのレポートを提供し、AIがどのような基準でスコア付けしたかを患者に理解してもらえるようになっています。
このようなアプローチにより、患者の理解と信頼を高めることができます。
技術の過度な期待と現実の限界：AI技術の進歩により、人々はAIが不妊治療の成功率を飛躍的に向上させると過度に期待するかもしれません。
しかし、現実にはAIだけでは着床率を100%にすることはできず、他の要因（患者の年齢や卵巣機能、治療プロトコルなど）も大きく影響します。
AIは助言に過ぎず、最終的な判断は医師が行うべきです。また、AIによって胚の良否が明確になりすぎると、患者が精神的な負担を感じる恐れもあります。
技術の限界を患者にも理解してもらい、AIの期待と現実の限界を示すことが重要です。
今後の展望
以上のような課題を踏まえつつ、AIを生殖医療の現場に導入していくにあたっては、以下のような展望が考えられます。
研究と検証の継続：AIの臨床効果をさらに定量化し、その有効性・安全性を多様なデータセットで検証する研究が必要です。
特に、AIの公平性や長期的な安全性についても長期的な観察データが必要です。政府や医療機関はこれらの研究を支援し、AIの信頼性を高める取り組みを進めるべきです。
ガイドラインと倫理基準の整備：AI医療に関する倫理的・法的ガイドラインをさらに充実させる必要があります。
厚生労働省は既に報告書を発行していますが、具体的な実践ガイドラインやベストプラクティスの策定が求められます。
例えば、「AIの評価結果を医師がどのように解釈し、患者にどのように説明するか」「患者の同意を得る方法」「AIの偏りを防ぐための対策」などの具体的な手順が示されることが望まれます。
また、専門家や患者代表を含むパネルで議論し、社会的に受け入れられる倫理基準を整備することが重要です。
医療従事者の教育とトレーニング：AIを導入するにあたっては、医師や培養士など医療従事者のAIへの理解とスキル向上が必要です。
現場の医療従事者がAIの出力を正しく解釈し、適切に患者に説明できるよう、教育プログラムを設けることが望まれます。
また、AIと協働する新たな職種（例えばAI医療専門士など）の育成も検討されるべきでしょう。
国際的な調和と標準化：AI医療は国際的にも進んでおり、各国のガイドラインや承認基準の調和が重要です。
日本も欧米のガイドラインと調和し、海外の有効なAIツールを国内に導入しやすくすることが望まれます。
また、日本発のAI技術が海外にも輸出できるよう、品質基準の整備や国際標準化も進める必要があります。
AIの技術進歩と融合：AI技術自体も急速に進歩しており、今後はより高度な機能が実現する可能性があります。
例えば、胚の培養環境をAIが自動で最適化するシステム、培養プロトコルをAIが提案するシステムなど、AIが培養工程の全般をサポートするような発展も考えられます。
また、AIと他の技術（例えば遺伝子解析やバイオセンサー技術）を融合させ、より包括的な胚の良否予測が可能になるでしょう。
患者中心のアプローチ：AIを導入する際には、常に患者の立場に立ったアプローチが重要です。
患者の不安や質問に応えるため、透明性の高い情報提供や患者とのコミュニケーションを強化します。
また、AIの活用が患者にとって有益なものになるよう、患者の価値観や選択肢を尊重することが求められます。
AIは手段であり、患者の幸せを最大化するための手段として位置付けることが大切です。
以上のように、AIを生殖医療の現場に導入するには慎重な検証と準備が必要ですが、そのメリットも大きいと考えられます。
AIは客観的な評価を提供し、医療の効率化と質の向上に寄与する可能性があります。
今後、AIと人間の医療従事者が協働し、患者の幸せを最大限に高める新たな医療文化が築かれていくことが期待されます。
おわりに
AIを用いた胚培養と胚のグレード診断の技術は、不妊治療の分野で革命的な進歩をもたらしつつあります。
従来は熟練培養士の主観に頼っていた胚の評価が、AIによって客観化され、より一貫性の高い選別が可能になりました。
国内外の臨床研究でも、AIによる胚評価が妊娠率の向上や胚の選別精度の向上に寄与する可能性が示唆されており、現場での導入が進んでいます。
しかし、AIを実際の臨床に組み込むにあたっては、倫理的・法的・社会的な課題にも注意が必要です。
誤診責任の所在やデータの偏り、患者のプライバシー保護など、様々な観点から慎重に検討し、十分なガイドラインや教育を整備していくことが重要です。
今後、AI技術はさらに発展し、より高度な機能が実現するでしょう。
例えば、タイムラプス画像と遺伝子データを統合した予測モデル、培養環境を自動最適化するAIシステム、患者の状況に応じた個別化治療提案など、多岐にわたる応用が期待されます。
AIは人間の専門家の役割を補助し、医療の効率化と質の向上に寄与すると同時に、人間の医療従事者のスキル向上と職務内容の変化も伴うでしょう。
これらに適応し、AIと協働する新たな医療文化を築いていくことが重要です。
最後に、AIはツールであり、人間の医師や培養士の知恵と共に患者の幸せを高める手段として位置付けるべきです。
AIの導入は患者の利益に資するものであり、適切に活用されれば不妊治療の成功率向上や医療の質の向上につながるでしょう。
一方で、人間ならではの判断力や温かみを失わないよう、AIとのバランスを取りつつ臨床現場で活用していくことが大切です。
AIと人間の医療従事者が協働し、より良い成果をもたらす未来が、今後も進展していくことを期待します。
参考資料
- 産婦人科医療とAIの最前線：日常診療への応用と未来展望
- 胚培養用タイムラプスシステム市場規模は、2026年から2033 …
- 三次元胚盤胞画像を組み込んだデュアルAIシステムと妊娠予測 …
- AIによる胚選別と精子解析の最新技術｜妊活成功率を向上させる …
- 三次元胚盤胞画像を組み込んだデュアルAI妊娠率予測 …
- 医療AIの誤診責任は誰に？2025年の課題と倫理を解説
- 豪州で進む不妊治療の胚選択へのAI活用 倫理的懸念が …
- タイムラプス撮像法による受精卵・胚培養）｜先進医療
- 胚培養市場に関するタイムラプスシステムのレポート：2025年 …
- 着床前診断（PGT-A）の現状と課題：どこまで信頼できる？
- タイムラプスのAI scoringどこまで参考にする?( PLoS One …
- AIベースのスコアリングシステム「iDAScore」の導入
- Life Whisperer 胚画像スコアリングAI
- Astec acquires AI fertility product Life Whisperer
- Life Whisperer Genetics (LWG)
- Life Whisperer Genetics
- 受精胚評価AIツール「CHLOE EQ」がCEマークを取得
- 未来の職種：AIとの協働でIVFの成功率を高める胚培養士
- 生まれる可能性の高い受精卵を81.63%の精度で予測するAI …
- 生殖医療の技術革新2025年版 ― ハイテクが日本の妊活を …
- 不妊治療に影響を及ぼす因子の探索 生殖補助医療を中心に
専門家のコメント（浅田レディースクリニック 浅田義正先生）
今回の記事は、生殖医療におけるAI活用の現状をよく整理しており、技術的な可能性については評価できる内容だと思います。
特に、胚評価の「主観性」や「ばらつき」に対する問題提起は、現場を知る者としても共感できる点です。
ただ、ひとつ強調しておきたいのは、AIはあくまで”手段”であって、”答え”ではないということです。
■ 「胚を見ている」のではなく「結果を見ている医療」であるべき
現在の生殖医療の本質的な課題は、「どの胚が良いか」ではなく、
「出産まで、成長できる胚はどの胚か？」です。
AIがどれだけ精密に胚の形態や分裂パターンを評価できたとしても、それが最終的な「出産率の向上」に結びつかなければ、医療としての価値は限定的です。
これは、私がこれまで一貫して指摘してきたように、
不妊治療は”プロセス評価”ではなく”結果評価”であるべきという考え方に通じます。
■ AIは「誤差を減らす」が「本質は変えない」
AIによって評価の標準化や効率化が進むこと自体は歓迎すべきです。
しかし、忘れてはならないのは、妊娠率を決める最大の要因は胚の見た目ではなく、卵子の中の遺伝子の構成と発現です。
生殖は自然界の遺伝子組み換えです。 うまくいくようにするのではなく、結果的にうまくいったものが育つのです。
着床して妊娠成立ではなく、妊娠反応を要請から出産までたどり着ける受精卵はごく一部になります。
これは多くの患者さんが誤解しているポイントでもあり、「良い胚を選べば妊娠できる」という発想は、本質を外しています。
AIは評価精度を上げることはできても、遺伝子そのものをコントロールできませんし、年齢とともに増加する染色体異常をコントロールできるものではありません。
■ 技術偏重への警鐘
生殖医療の分野では、新しい技術が出てくるたびに「これで妊娠率が上がる」という期待が先行しがちです。
しかし私はこれまで、
「注目されたいだけの研究」や「エビデンスの弱い流行」に警鐘を鳴らしてきました。
AIも例外ではありません。
- 本当に出産率が上がっているのか
- 患者にとって意味のある改善なのか
- コストに見合うのか
こうした視点で冷静に評価する必要があります。
■ 本来やるべきことを見失わない
AI導入によって、胚培養士の負担軽減や効率化が進むことは重要です。
しかしそれ以上に大切なのは、
- 適切な治療タイミングの判断
- 卵巣刺激の最適化
- 不要な治療の回避
といった、医療全体の戦略設計です。
AIは「胚選択の一部」を担うにすぎず、
不妊治療の成否を決めるのは依然として医師の知識と技術と戦略と判断力です。
■ 結論
AIは生殖医療を支える有用なツールになり得ます。
しかし、「AIで妊娠率が上がる」という単純な話ではない
という点は、明確にしておくべきでしょう。
生殖医療は技術競争ではなく、
“限られた時間の中で、いかに最短で出産にたどり着くか”という医療です。
AIを使うのであれば、その目的は一つです。
患者さんの時間を無駄にしないこと。
ここを見失ったAI活用には、私は賛成しません。
浅田義正先生 プロフィール
医学博士／産婦人科専門医／生殖医療専門医
医療法人浅田レディースクリニック 理事長
1954年、愛知県生まれ。名古屋大学医学部を卒業後、産婦人科医としてキャリアをス
タート。
大学病院では不妊外来やホルモン治療を担当し、生殖医療の臨床と研究に従事する
。
1993年にアメリカの生殖医療研究機関へ留学し、当時最先端であった顕微授精
（ICSI）の研究に携わる。
帰国後の1995年には、精巣精子を用いたICSIによる妊娠例を日本で初めて報告し、
日本における高度生殖医療の発展に大きく貢献。
1998年に不妊治療専門施設を開設、2004年には浅田レディースクリニックを開院。こ
れまでに多数の患者を診療し、日本の不妊治療分野を牽引してきた。
科学的根拠に基づく「浅田式不妊治療」を提唱し、AMH（卵巣予備能）検査の重要性
や卵子の加齢に関する正しい知識の普及にも尽力。
著書や講演、メディアを通じて、一般の方にも分かりやすく生殖医療の本質を伝えている。
現在は、愛知・東京を中心に複数の専門クリニックを展開し、臨床・研究・教育の三方向から日本の生殖医療の質向上に取り組んでいる。
関連リンク
浅田レディースクリニック
品川
https://shinagawa-asada.jp/
名古屋
https://ivf-asada.jp/
