医療とITが融合した医療DXなどへの需要は今後もますます高まることが予想されますが、この分野は医療機器メーカー、ソフトウェアベンダー、製薬会社といった異なる業種の企業が独自の参入しています。
そのため、外部からはどの企業が、どのような技術で課題解決に挑んでいるのかという実態が見えにくいのが現状です。
例えば、画像診断AIのアルゴリズム構築からウェアラブル端末によるバイタルデータの解析、シミュレーションによる新薬候補物質の探索といった取組みが挙げられますが、こうした多角的な研究開発の全体像と、そこで必要とされる専門性を客観的に把握するのは容易ではありません。
この問題に対し、特許情報を活用します。
特許情報は企業の開発の軌跡であり、客観的なエビデンスになり得る情報です。
本記事では、採用サイトとは別の視点で、本業界に関わる企業の研究・開発職ニーズと関連する専門性を特許情報から解読します。
結論（概要）は以下の通りです。
・情報系分野（情報科学、情報工学、統計学、数学、医用工学など）
・電気系分野（電気電子工学、医用工学など）
・機械系分野（機械工学、医用工学など）
・その他（医学など）
１ 本サーチの概要
本サーチは、医療分野の問題をITで解決しようとする先端技術の開発をおこなっている企業とその開発にどのような専門性が求めらるのかを特許情報にもとづき客観的に導き出そうとするものです。
２ IT×医療技術の特許検索
２.１ 検索条件
検索プラットフォーム：特許情報プラットフォーム（J-PlatPat）
検索期間：出願年が2000年～2022年
検索ワード：
①人工知能を示すワード（人工知能 機械学習 ディープラーニング パターン認識 画像認識 音声認識 アルゴリズム 学習済みモデル 学習済モデル 学習モデル AIモデル）
②医療分野を示すワード（医療 治療 患者 健康 病気 疾患 薬剤 手術 医用 メディカル カルテ 医学 ヘルスケア 診療 ）
検索条件：①（請求の範囲）と②（全文）のAND検索
２.２ 留意事項
本特許検索は、関連する技術全体を広くカバーすることを目的としています。
そのため、検索キーワードや技術領域をある程度包括的に設定し、主要な技術分野や関連企業を洗い出すことを優先しています。
一方、特許情報は非常に多岐にわたり、必ずしもすべての関連技術や企業を網羅できるわけではありません。
このアプローチには情報漏れや情報ノイズが一定程度ある可能性が高いです。
そのため、検索結果においては関連性が薄い情報が含まれる場合や、逆に重要な情報が見落とされている場合もあることをご留意ください。
３ サーチ結果
３.１ 結果概要：開発品イメージ
開発イメージは下表のとおりです。
|
モノの開発 |
サービスの開発 |
|
|
個人向け |
|
|
|
法人向け |
・情報処理プログラム |
・医師の診断支援 |
モノの開発としては、例えば、医療情報を処理するプログラムや内視鏡などの医療機器と連動したシステムなどが挙げられます。
サービスの開発としては、例えば、医師の診断を支援する（機能を有する装置を用いた）サービスや患者の画像からノイズを除去して画像の質を高めるサービスなどが挙げられます。
３.２ 結果概要：出願件数の推移
下図は特許出願件数の推移です。
2015年頃から出願件数が急増しています。
３.３ 結果概要：企業別の出願件数
下図は2015年～2022年における企業別の特許出願件数です。
下図は各社の推移です。
上図期間中中、フィリップスの特許出願が最も多いです。
次いでキヤノンメディカルシステムズ、富士フイルムが多いです。
３.４ 各企業の個別情報と求められる専門性の例
2015年からのトレンドは以下のとおりです。
発明の主要な技術分野（筆頭FI）の出願年ごとの出願件数です。
技術分野の記号分類に関する詳細は特許庁のサイトをご覧ください（以下URL）。
https://www.j-platpat.inpit.go.jp/p1101
発明の説明は、必ずしも特許請求の範囲を完全に表現したものではありません。
関連する専門分野の例はあくまでイメージです。また、専門の概念レベルを必ずしも同一レベルで表示してはいません。
特許は難解ですが、GeminiやChatGPTなどのテキスト生成AIを活用すると簡単に解読できます。以下の記事を参考にしてください。
（１）フィリップス｜開発トレンドと専門性 
A61Bが最も多く出願されています。上図期間中のトータル出願件数ではG16H、G06Tが続きます。
具体例として医療画像のノイズを除去する方法が挙げられます。
従来の機械学習によるノイズ除去では画像の撮影条件によって性能が低下する問題がありました。
これに対して、医用画像の各画素におけるノイズの特性を数値化したノイズマップを作成・使用し、画像全体のノイズレベルを均一化して学習モデルが処理しやすい状態にして機械学習方法を使用して処理する方法が開発されています（以下URL）。
数値化されたノイズマップに基づき医療画像のノイズを除去する方法→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2024-534861/11/ja
具体例として超音波検査画像から肺の状態を評価する方法が挙げられます。
従来の超音波検査は専門医が画像を目視で評価して診断していたので診断結果にばらつきが生じる可能性がありました。
これに対して、超音波画像から得られる時間的な画像データのシーケンスを解析し、肺の複数の異なるゾーンについて疾患や状態の深刻度を示す複合スコアを算出して、これらを組み合わせて肺全体のスコアを決定し医師の診断を支援する方法が開発されています（以下URL）。
超音波検査画像から肺の状態を評価する方法→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2024-547084/11/ja
具体例として医療画像から特定の解剖学的構造を抽出する技術が挙げられます。
従来、医療画像から心臓などの臓器を抽出する際には専門家が画像を目視で確認し手作業で輪郭を描き出していたため時間と手間がかかっていました。
これに対して、各トレーニングデータに対して抽出したい解剖学的構造を含む領域を指定するマップを作成し、このマップに基づき、モデルが学習エラーを大きくするようにペナルティを課すことでモデルが指定された領域の情報をより正確に学習し、複雑な形状や境界のぼやけた構造であっても高い精度で抽出できるようする方法が開発されています（以下URL）。
医療画像から特定の解剖学的構造を抽出する方法→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2024-527911/11/ja
（２）キヤノンメディカルシステムズ｜開発トレンドと専門性 
A61Bが最も多く出願されています。上図期間中のトータル出願件数ではG16Hが続きます。
具体例として医用情報処理装置が挙げられます。
従来、医療従事者のメンタルヘルス問題はアンケートやインタビューなどによって把握されてきました。
これに対して、医療従事者の音声データを音声認識し、その音声から感情やストレスレベルなどの精神状態を推定し、これらの結果の蓄積から時間的な変化を分析することでメンタルヘルスの悪化傾向を捉えて早期に対応できるようにする情報処理装置が開発されています（以下URL）。
医用情報処理装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2024-534861/11/ja
具体例として医療画像診断の解析結果処理装置が挙げられます。
従来は臨床アプリケーションのアルゴリズムが更新されると過去の画像データとの比較が難しくなるという問題がありました。
これに対して、同一被検者の過去の画像データを記憶し、新しいアルゴリズムと古いアルゴリズムによる解析結果を比較することで診断の精度向上や病状の推移をより詳細に把握することを可能にする解析結果処理装置が開発されています（以下URL）。
医療画像診断の解析結果処理装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2022-042171/11/ja
（３）富士フイルム｜開発トレンドと専門性 
A61Bが最も多く出願されています。上図期間中のトータル出願件数ではG16Hが続きます。
具体例として内視鏡に関する技術が挙げられます。
従来の内視鏡検査では撮影された画像をリアルタイムに解析し病変などを検出するシステムが普及していますが、画像のブレやボケなどにより正確な診断が難しい場合があります。
これに対して、時系列の医療画像を取得し、各画像に対して画像認識をおこない、画像の品質が低いと判断された場合に以前の画像の認識結果を表示することにより誤った診断を防止する内視鏡システムが開発されています（以下URL）。
内視鏡システム→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2023-015232/11/ja
具体例として医療画像診断における治療支援装置が挙げられます。
従来の類似症例検索では治療方法と治療成績の関係を十分に考慮できていませんでした。
これに対して、治療対象患者の画像と特徴が似ている症例を、治療前後の画像が類似している症例を検索する第1段階、第1段階で得られた症例の治療後の画像と特徴が似ている症例をさらに検索する第2段階の2段階で検索し検索された症例の治療方法と治療成績を提示する治療支援装置が開発されています（以下URL）。
医療画像診断における治療支援装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-7430811/15/ja
（４）キヤノン｜開発トレンドと専門性 
A61Bが最も多く出願されています。上図期間中のトータル出願件数ではG06Qが続きます。
具体例として医用画像処理装置が挙げられます。
従来の医用画像処理では機械学習を用いたノイズ除去や照射野認識において撮影条件の違いによる画質の変動に対応することが課題でした。
これに対して、放射線検出装置の種類、画像サイズ、処理の種類などの撮影情報をもとに事前に学習された複数の機械学習モデルの中から最適なモデルを選択して画像処理をおこなうことで高精度な結果を得られるようにした医用画像処理装置が開発されています（以下URL）。
医用画像処理装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2023-057871/11/ja
具体例として医用情報処理装置が挙げられます。
従来の医用情報処理装置では機械学習を用いて性能を向上させた場合にその性能が臨床的な要求を満たしているかどうかの妥当性検証が十分に行われていませんでした。
これに対して、医用画像を取得して機械学習モデルによって解析し、その結果を評価用データと比較することでシステムの性能を評価する医用情報処理装置が開発されています（以下URL）。
医用情報処理装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2020-027506/11/ja
（５）日立製作所｜開発トレンドと専門性 
A61Bが最も多く出願されています。上図期間中のトータル出願件数ではG06Qが続きます。
具体例として医用撮像装置が挙げられます。
従来の医用画像のノイズ除去にはさまざまな手法が用いられてきましたがそれぞれに課題がありました。
これに対して、畳み込みニューラルネットワークと呼ばれる深層学習モデルの畳み込みのパターンを複数用意し、その重み付けを学習することで画像の状況に応じて最適な処理を選択することで、さまざまな種類のノイズに対応できる汎用性の高いノイズ除去が開発されています（以下URL）。
医用撮像装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2020-141908/11/ja
具体例として保険事業や介護事業の介入効果を分析するシステムが挙げられます。
従来、 介入を受けたグループと受けていないグループを単純に比較すると背景条件の違いが結果に影響を与える可能性があり、正確な評価が難しいという問題がありました。
これに対して、複数の機械学習手法を用いて各個人が介入を受ける確率（傾向スコア）を算出し、傾向スコアが近い介入群と非介入群のペアを作ってペア間で比較することで背景条件の違いによる影響を調整し、ペア間の背景情報の差を標準化し、介入効果を客観的に評価するシステムが開発されています（以下URL）。
保険事業や介護事業の介入効果を分析するシステム→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2023-010541/11/ja
（６）富士通｜開発トレンドと専門性 
G06Nが最も多く出願されています。上図期間中のトータル出願件数ではG06Fが続きます。
具体例としてテンソル形式のデータ（多次元の配列データ）による機械学習に関する技術が挙げられます。
従来のテンソル分解ではデータ内の細かい繋がり方（トポロジーと呼ばれる構造）を詳細に捉えることは難しいという課題がありました。
これに対して、複数の中間テンソルを介してコアテンソルを計算する際にラベル軸と選択したトポロジー軸の情報を組み合わせてデータの細かい繋がり方を反映したコアテンソルを生成することで細かい構造をより捉えやすくする機械学習技術が開発されています（以下URL）。
テンソル形式のデータによる機械学習に関する技術→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2022-114792/11/ja
具体例として機械学習のユーザーインターフェースが挙げられます。
従来の機械学習ツールではタスクごとに異なるユーザーインターフェースを開発する必要があり、開発コストが高くユーザーにとっても使い勝手が悪くなるという課題がありました。
これに対して、階層構造を持つデータを管理し、階層ごとに異なる表示を可能にすることによりさまざまな機械学習タスクに対応できる汎用的なユーザーインターフェースが開発されています（以下URL）。
機械学習のユーザーインターフェース→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2024-004350/11/ja
（７）IBM｜開発トレンドと専門性 
具体例として非構造化テキスト（PDF文書など）から特定の情報を抽出する技術が挙げられます。
従来、このような情報の抽出には人間が手作業で文書を読み込み必要な情報を抜き出す必要がありました。
これに対して、非構造化文書をテキストファイルに変換し、自然言語処理エンジンと領域固有の知識を用いてテキストから必要な情報を抽出し、元の文書中の位置情報と紐づけて構造化されたデータとして出力することでコンピュータが自動的にこの作業を行う方法が開発されています（以下URL）。
非構造化テキストから特定の情報を抽出する技術→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2023-513886/11/ja
具体例として暗号化技術よにり情報を保護しながら機械学習モデルを実行する手法が挙げられます。
従来、機械学習モデルを暗号化データに適用することは、計算コストが非常に高く実用的な範囲で実現するのが困難でした。
これに対して、完全準同形暗号（FHE）という暗号化技術を用いて、知識蒸留という手法を応用し、複雑なモデル（教師モデル）の知識をシンプルなモデル（生徒モデル）に転移させることでFHE環境下でも高精度な予測を可能にする方法が開発されています（以下URL）。
暗号化技術よにり情報を保護しながら機械学習モデルを実行する手法→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2023-532423/11/ja
（８）ソニー｜開発トレンドと専門性 
H04Nが最も多く出願されています。上図期間中のトータル出願件数ではA61Bが続きます。
具体例として生体組織の画像取得装置が挙げられます。
従来の画像取得装置には複数の画像データの送信に時間を要し、撮像素子の出力インタフェースによるデータ送信の律速が課題となっていました。
これに対して、生体組織からの光信号を取得する取得部と、その信号の特徴データに基づいて出力データを生成する制御部を単一のチップ内に配置したことにより、画像データの処理をチップ内で完結させて高速に処理する画像取得装置が開発されています（以下URL）。
生体組織の画像取得装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2021-140032/11/ja
具体例として医療用観察システムが挙げられます。
従来技術では内視鏡の動きは医師の手動操作に依存していたため視野が制限されるという問題がありました。
これに対して、内視鏡の動きを制御するアームに、画像認識機能を搭載し、撮像した画像から必要な情報を抽出して、アームの動きをリアルタイムで制御することで広範囲な術野の観察を可能にする医療用観察システムが開発されています（以下URL）。
医療用観察システム→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2021-013412/11/ja
（９）コニカミノルタ｜開発トレンドと専門性 
A61Bが最も多く出願されています。上図期間中のトータル出願件数ではG06Tが続きます。
具体例として人工関節置換手術方式の提案装置が挙げられます。
従来は人工関節の選択は医師の経験や直感に頼る部分が多いという状況でした。
これに対して、患者の関節部の放射線画像を取得し、過去の症例データから学習した機械学習モデルを用いて最適な術式を予測し医師に提案する装置が開発されています（以下URL）。
人工関節置換手術方式の提案装置→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2021-115188/11/ja
具体例としてカメラ映像から人物の姿勢を推定するシステムが挙げられます。
従来の監視カメラ映像から人物の姿勢を推定する技術は、カメラの設置位置やレンズの特性によって推定精度が低下するという課題がありました。
これに対して、撮影装置の高さの情報を踏まえて学習モデルによりカメラの設置位置やレンズの歪みといった要因の影響を補正する姿勢推定システムが開発されています（以下URL）。
カメラ映像から人物の姿勢を推定するシステム→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-2022-095994/11/ja
（１０）ＡＳＳＥＳＴ｜開発トレンドと専門性 
G06Qが最も多く出願されています。上図期間中のトータル出願件数ではG06Tが続きます。
具体例として農作物の収穫量を予測するプログラムが挙げられます。
従来は農作物の収穫量予測は経験や勘に頼ることが多い状況でした。
これに対して、農作物の画像、土壌情報、過去の収穫量などの多様なデータを収集し、それらの間の相関関係を分析することにより精度を高めた予測プログラムが開発されています（以下URL）。
農作物の収穫量を予測するプログラム→https://www.j-platpat.inpit.go.jp/c1801/PU/JP-6704148/15/ja
（１１）まとめ
開発の目的は医療画像の処理、誤診断の防止、医療業務の効率化などさまざまですが、その多くに機械学習（ＡＩ）に関する技術が含まれています。
４ IT×医療の開発に求められる専門性
上記３で示した特許分類≒開発人材に求められる専門性、だと仮定します。
上記３で多かった専門分野は以下のとおりです。
・情報系分野（情報科学、情報工学、統計学、数学、医用工学など）
医療技術の課題解決に必要な情報の抽出や分析、画像処理に係るアルゴリズム設計、学習済みモデルの構築などが求められます。
・電気系分野（電気電子工学、医用工学など）
医療機器に係る回路設計、各種信号処理などが求められます。
・機械系分野（機械工学、医用工学など）
構造設計などが求められます。
・その他（医学など）
ただし、これらの専門は表現上のものであり、境界があいまいな場合も多く、単に大学の専攻名と結びつけられるものではないです。例えば、機械学習に関わる専門はどれか一つでなく、情報科学、情報工学、数学、電気電子工学など広く関わることがあります。本記事の言葉に惑わされたり、固執することのないよう気をつけてください。
また、上記特許出願にあたっては、共同出願者やその他事業者に技術をアウトソースしている可能性もあります。
５ まとめ
手術や診断に関する器具、装置に関する分野（A61B）の特許出願が多く、当該分野の開発も多くおこなわれていることが推測されます。
ただし、企業によって注力分野が異なってくる場合もあります。
大学の専攻としては情報、電気、機械、医学の研究に関係するものが多く見られました。
本記事の紹介情報は、サンプリングした特許情報に基づくものであり、企業の開発情報の一部に過ぎません。興味を持った企業がある場合は、その企業に絞ってより詳細を調べることをおすすめします。
参考記事：1社に絞って企業研究：特許検索して開発職を見つける方法4
以上、本記事が少しでも参考になれば幸いです。
６ 次に何をすべきか迷っている方へ
この分野で就職・転職を考えている方へ
👉 関連する業界・企業における開発内容と求められる専門性を解説しています
技術的に近い業界：通信業界・GAFAM（基盤技術、データ解析の観点）
類似業界：医薬品業界（新薬大手）、医薬品業界（新薬大手に続く規模）、IT×医療業界、医療機器業界
研究開発職の企業の探し方がわからない方へ
👉 特許情報を使って企業を見つける方法を解説しています
自分の専攻を活かせる企業を知りたい方へ
👉 研究開発職に強い企業を専攻別に簡易的に整理した入口編です
化学系、情報系、電気系、機械系、材料系、物理系、数学系、生物系、土木・建築系、薬学系
研究開発職の全体像を知りたい方へ
👉 まずは全体を把握したい方
👉 総合メーカー志望の方はこちら
・総合メーカーの就職・転職先一覧｜研究開発に強い企業の技術分野
化学系で就職・転職できる業界を網羅的に知りたい方へ
＜出典、参考＞
・特許情報プラットフォーム（https://www.j-platpat.inpit.go.jp/）にて公開されている情報
＜留意事項＞
・本記事は、弁理士である管理人の視点で特許情報を独自に分析したものです。
・本サイトでは、特許情報を正確かつ最新の状態でお伝えするよう努めていますが、情報の完全性を保証するものではありません。
・特許情報のご活用や解釈は読者ご自身の責任でお願いいたします。
・詳細な確認や重要な判断が必要な場合はお問い合わせフォームからご連絡ください。
