学習・潜在力・保持：適応型AI対応医療デバイスを評価するためのアプローチ

要旨: 本研究は、医療機器における適応型人工知能（AI）モデルの評価に関する課題に取り組むものである。モデルと評価データセットの両方に対する反復的な更新が行われるため、性能評価が複雑化する。そこで本研究では、相補的な3つの測定により新たなアプローチを提案する。すなわち、学習（現在のデータに対するモデルの改善）、潜在性（データセットに基づく性能の変動）、保持（変更ステップをまたいだ知識の保持）である。これにより、モデル適応によって生じる性能変化と、動的環境によって生じる性能変化とを切り分ける。シミュレーションによる集団の移行を用いた事例研究により、このアプローチの有用性を示す。緩やかな移行は安定した学習と保持を可能にする一方、急速な移行では可塑性と安定性の間のトレードオフが明らかになる。これらの測定は、規制科学における実践的な示唆を提供し、逐次の改変にわたる適応型AIシステムの安全性と有効性を、厳密に評価できるようにするものである。