目を見開いて：Karpathyのオートリサーチフレームワークが緑内障研究を民主化する方法 — 患者主導、AI駆動型視覚回復研究の青写真

目を見開いて：Karpathyのオートリサーチフレームワークが緑内障研究を民主化する方法

はじめに

緑内障は進行性の視神経疾患であり、網膜神経節細胞 (RGCs) を徐々に破壊し、不可逆的な視力喪失につながります。2013年には世界中で推定6430万人が罹患し、2040年までに1億1000万人を超えると予測されています (physionet.org)。懸念されることに、全症例の約半数は視力喪失がすでに始まっている段階まで診断されずにいます (physionet.org)。従来の緑内障治療は、投薬や手術を通じて眼圧 (IOP) を下げることに焦点を当てていますが、これらの治療法は損傷を元に戻したり、失明を完全に防ぐことはできません (pmc.ncbi.nlm.nih.gov) (physionet.org)。そのため、神経保護、RGC/視神経再生、革新的な遺伝子・細胞療法といった分野での新たな発見が喫緊の課題となっています。しかし、これらの最先端分野における学術研究や製薬研究は、長期にわたり高リスクな取り組みであるという理由もあって、資金不足が続いています。一方、機械学習 (ML) と人工知能 (AI) の進歩は、データ分析と生成デザインへの新しいアプローチを可能にしています。

最近の研究（例えば、Andrej Karpathy氏の*「オートリサーチ」*プロジェクト (www.theneuron.ai) (medium.com)) は、AIエージェントが単純な高レベルの指示のみに基づき、単一のGPUで何百もの小規模な実験を自律的に実行できることを示唆しています。このパラダイムでは、人間が研究目標を記述した短いprogram.mdを書き、AIエージェントがモデルやハイパーパラメータを繰り返し調整し、5分間のトレーニングを実行し、成功した変更を保持し、それ以外を破棄します (medium.com) (www.theneuron.ai)。一晩で、このループは手動でのコーディングなしに、アーキテクチャとパラメータ空間を探索する約100の実験を実行できます。

本記事では、Karpathy氏のオートリサーチフレームワークを、意欲的な患者、介護者、市民科学者、オープンソース開発者がどのように緑内障研究に応用できるかを探ります。私たちは、未開拓の緑内障研究分野（神経保護、再生など）を調査し、各ドメインで小規模モデルの実験が助けとなる可能性のある機械学習タスクを特定します。各タスクについて、特定の公開データセット、ベースラインモデル/アーキテクチャ、評価指標を提案し、エージェントのprogram.mdの指示がどのようなものになるか概要を説明します。次に、コミュニティがそのような実験をセットアップし共有するための実践的なステップについて、ハードウェアの考慮事項、データ準備、コラボレーションプラットフォームを含めて議論します。私たちは視覚回復療法の特定の文脈と、オートリサーチ型ループが神経プロテーゼやその他の介入の最適化を加速できるかどうかを検討します。最後に、市民が生成した仮説がどのように検証され、臨床医にエスカレートされるかに対処し、患者主導のオートリサーチイニシアチブを立ち上げるための具体的な90日ロードマップ —「研究ごっこ」の落とし穴を避け、真のインパクトを確保する方法を含めて — を提示します。全体を通して、緑内障研究と視覚におけるAIに関する現在の情報源を引用し、バランスの取れた、現実的で、アクセスしやすいガイドを目指します。

1. 緑内障研究の現状と満たされていないニーズ

緑内障研究は、疾患メカニズムの理解から、神経保護や視覚回復のための新しい治療法開発まで、多岐にわたります。多くの有望な分野は、資源が不足しています。

• 神経保護: RGCが死滅するのを防ぐ介入（IOPとは独立）。神経栄養因子や代謝サポートなどが例です。例えば、毛様体神経栄養因子（CNTF）を放出するインプラントは初期臨床試験で可能性を示しており (pmc.ncbi.nlm.nih.gov)、神経成長因子やシチコリンなどの他の分子も研究されています (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。しかし、これらはまだ標準治療ではなく、患者への応用にはさらなる研究が必要です。2025年のレビューでは、神経保護緑内障治療はさらなる臨床試験が必要な「将来の治療法」であると警告されており (pmc.ncbi.nlm.nih.gov)、満たされていないニーズを反映しています。

• RGC再生および視神経再生: RGCとその軸索が死滅すると、現在の医学ではそれを元に戻す方法がありません。いくつかの動物研究では、遺伝子療法を用いてRGCを再プログラムしたり、再成長を刺激したりしています。例えば、PTEN（負の成長調節因子）のCRISPRベースの抑制は、ラット神経細胞における軸索の再成長を促進し (pmc.ncbi.nlm.nih.gov)、PTENとSOCS3の共欠損実験はマウスの持続的な視神経再生を促進しました (pmc.ncbi.nlm.nih.gov)。しかし、これらの画期的な成果は実験室モデルにとどまっています。その根底にある生物学、例えば網膜の発生を再現する方法や成長阻害因子を回避する方法は複雑です。RGCの生存または軸索の再成長を刺激できるモダリティ（小分子、遺伝子、生体材料）への巨大な需要がありますが、ヒトでの臨床試験への進展は遅いです。

• 遺伝子および細胞療法: CRISPR、ウイルスベクター、幹細胞由来RGCsなどの新技術は、緑内障に有望な可能性を秘めています。戦略には、IOPを低減するための遺伝子編集（例えば房水産生を標的とする）や、神経変性経路の変調などがあります (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。幹細胞は（理論的には）失われた線維柱帯細胞やRGCを置き換え、保護因子を分泌することができます (pubmed.ncbi.nlm.nih.gov)。初期の研究では、特定の転写因子（例：Oct4-Sox2-Klf4）がマウスにおいて非RGCをRGC様ニューロンに再プログラムできること（視神経損傷における視力回復）が示されています (pmc.ncbi.nlm.nih.gov)。しかし、これらのアプローチは患者に到達する前に安全性と送達の課題に直面しています。いくつかの最近のレビューでは、遺伝子治療が緑内障にとってエキサイティングではあるが、まだ臨床段階ではない最先端分野であることが強調されています (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。要するに、分子および細胞の革新は進展していますが、資源と臨床試験データは限られており、計算による探索（例えば、最適なウイルスベクターの設計や効果的な遺伝子編集の予測）の機会が生まれています。

• 視覚回復のための電気および光遺伝学的刺激: 進行した緑内障患者（または網膜色素変性症などの併発疾患を持つ患者）に対しては、人工視覚プロテーゼや光遺伝学的療法が損傷したRGCをバイパスすることを目指しています。網膜インプラント（網膜上または網膜下電極アレイ）や皮質インプラントは人工的な知覚（「光視症」）を生み出していますが、解像度が低く、結果は大きく異なります。2025年の視覚プロテーゼにおけるAIに関する最近のレビューでは、「AIアルゴリズムは、特に強化された画像顕著性抽出と刺激戦略を通じて、プロテーゼ視覚の最適化に有望性を示している」と述べられていますが、これまでのところほとんどの研究はシミュレーションです (pmc.ncbi.nlm.nih.gov)。言い換えれば、機械学習は、カメラ画像をデバイスの限界を考慮した上で最も情報的な刺激パターンに変換するのに役立ちます。光遺伝学（残存網膜細胞を光感受性にする）や経角膜電気刺激（TES）パルスも、緑内障関連の視力喪失のために臨床試験が行われています。これらすべての分野には、広範なパラメータチューニング（例：刺激の時空間パターン、遺伝子発現ベクター）が必要であり、これらは自律的なML探索に適したタスクである可能性があります。

• IOP非依存性メカニズム: 眼圧が十分にコントロールされているにもかかわらず、多くの人々が視力を失い続けています。眼血流障害、神経血管機能障害、視神経乳頭の代謝ストレスなどの要因が認識されていますが、完全には理解されていません。遺伝学的研究は、緑内障リスクの重要な「IOP非依存性」成分を示唆しています (pubmed.ncbi.nlm.nih.gov) (pubmed.ncbi.nlm.nih.gov)。圧力以外のこれらのプロセスのバイオマーカーが緊急に必要とされています。また、緑内障患者の半数は「正常眼圧緑内障」であり、高IOPだけが原因ではないことを浮き彫りにしています。血管因子や他の損傷経路に関する研究は進行中ですが、断片化しています。計算モデリングや大規模データセット（例：ゲノムワイド関連解析）のマイニングは、この領域で新たなメカニズムや治療標的を特定するのに役立つ可能性があります。

• 画像診断と視野検査によるバイオマーカー発見: 緑内障の早期発見とモニタリングは、しばしば画像診断（眼底写真、OCT）と機能検査（視野検査）に依存しています。高度なアルゴリズムは、人間の臨床医が見逃すような微妙なバイオマーカーを発見する可能性があります。例えば、ディープラーニングは前視野欠損期視野喪失（標準的な視野分析では見えない変化）の検出を開始しています (pmc.ncbi.nlm.nih.gov)。同様に、AIはOCT層厚プロファイルを分析して、明白な損傷の前に緑内障を予測するために使用されてきました。しかし、スクリーニングやリスク層別化のために臨床的に使用される広く受け入れられたAIバイオマーカーはまだありません。ここでの計算上のボトルネックには、大規模で適切にラベル付けされたデータセットと堅牢な検証プロトコルの必要性があります (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。公開課題（REFUGE、AIROGSなど）はデータの標準化を開始しましたが、早期病期のカバー率は薄いです (pmc.ncbi.nlm.nih.gov)。OCT、視野、遺伝学などを組み合わせたマルチモーダルバイオマーカーのさらなる機械駆動型発見は、未開拓の最先端分野のままです。

小規模モデルのMLはどのように役立つのか？ 上記の多くは高レベルの問題を記述しています。ボトルネックは、しばしばデータ不足、多くの相互作用する変数、そしてゆっくりと動く生物学です。オートリサーチエージェントが輝くのは、利用可能なデータに対する小規模実験の自動化です。例えば、早期緑内障のあるOCTスキャンとないOCTスキャンの控えめなデータセットがある場合、市民科学者は、それらを最もよく区別するアーキテクチャを見つけるために、迅速なモデルテストループをセットアップできます。同様に、ゲノミクスや文献に関する小さなトランスフォーマーは、新しい遺伝子や薬剤候補を提案する可能性があります。重要なのは、定義された指標（分類精度、AUC、損失）を持つ狭いタスクに焦点を当て、迅速に反復することです。公開データが限られている分野（例：TESパラメータや新規遺伝子カクテル）は、合成データや代理変数に依存する場合があります。次のセクションでは、緑内障における特定のMLタスクをオートリサーチアプローチにマッピングします。

2. オートリサーチを緑内障の問題にマッピングする

Karpathy氏のオートリサーチフレームワークはドメインに依存しません。prepare.pyとtrain.pyによって提供され、明確に定義された評価指標を持つ任意のMLタスクで実験を実行できます。ここでは、いくつかの具体的な緑内障関連タスクを特定し、エージェントがそれぞれにどのように取り組むことができるかを具体的に説明します。以下の各ユースケースには、公開されているデータセット（可能な場合）、開始モデルまたはアーキテクチャ、評価指標、およびprogram.mdの指示のスケッチが含まれています。

2.1 OCT画像解析（構造的検出とセグメンテーション）

• タスク: OCTスキャンからの早期緑内障検出。 OCT画像は網膜層の断面図を提供します。網膜神経線維層 (RNFL) および神経節細胞複合体 (GCC) の薄化は、視野喪失に先行する可能性があります。これを分類タスク（緑内障 vs 健常）または回帰タスク（例: RNFL厚を出力）として扱うことができます。

  • データセット: 最近リリースされたSYN-OCT (www.nature.com)は、GANによって生成された200,000枚の視神経乳頭周囲OCT画像（緑内障10万枚、正常10万枚）の合成データセットです。各画像には、関連するRNFL厚とセグメンテーションマスクが付随しています。これらはZenodoで公開されています (www.nature.com)。（合成データですが、実際のOCTを模倣するように統計的に検証されています (www.nature.com)。）あるいは、OCT-DLデータセット (www.nature.com)（様々な網膜疾患のOCT記録2064枚）や、より小規模な臨床OCTコレクションを使用することもできます。
  • モデル: 小規模な畳み込みニューラルネットワーク（CNN）から始めます。分類の場合、約3～5層の畳み込み層を持つモデル（例えば、ResNet-18の途中の層まで、またはカスタムの小規模CNN）が機能します。RNFL/GCCのセグメンテーションには、小さなU-Net（深さ3～4）のようなエンコーダー・デコーダーが適しています。初期のtrain.pyは、シンプルなCNNとトレーニングループをデフォルトのハイパーパラメータで実装することができます。
  • 指標: OCTにおける緑内障分類を行う場合、AUC (ROC曲線下面積) または検証分割での精度を使用します。セグメンテーションの場合、RNFL層マスクに対するDice係数またはIoUを使用します（SYN-OCTはマスクを提供しています (www.nature.com)）。
  • program.mdの例:

    「目標: OCT画像から緑内障を検出するための検証AUCを最大化する。許可される変更点: 畳み込み層の数、フィルター数、カーネルサイズ、活性化関数、学習率、オプティマイザの選択、バッチサイズなど。各5分間のトレーニング実行後、保留されたセットでAUCを評価する。AUCが改善すれば変更を保持し、そうでなければ元に戻す。」 (medium.com) (www.theneuron.ai)。 エージェントは、AUCを改善するためにバリエーション（例：層の追加、幅の調整、AdamからRMSPropへの切り替え）を試みます。

• タスク: RNFL/GCC層のセグメンテーション。 RNFL厚を正確に測定することは非常に重要です。合成OCTスキャン（提供されたセグメンテーション付き）または注釈付き層を持つ実際のOCTを使用して、これをセグメンテーションタスクとして構築できます。

  • データセット: 再度SYN-OCTがRNFLセグメンテーションマスクを提供しています (www.nature.com)。別の情報源として、いくつかの学術グループはOCT Bスキャンにラベルを付けていますが（多くは独自のもの）、必要であれば、汎用OCTセグメンテーションデータセット（Duke網膜OCT液チャレンジなど (www.nature.com)) を代理として使用できます。
  • モデル: 小規模なU-Net様のCNN、あるいはベースラインからチャネル数を削減したものも可能です。例えば、3つのダウン/アップブロックを使用し、16フィルターから開始します。エージェントは深さと幅を変更できます。
  • 指標: 予測されたRNFLマスクと真値に対するDiceスコアまたは平均IoU。
  • program.mdの例:

    「目標: OCTにおけるRNFL層セグメンテーションのDiceスコアを最大化する。ベースモデルは3ブロックのU-Netである。エージェントはフィルター数を変更したり、ドロップアウトを追加したり、学習率を変更したりできる。各試行を5分間トレーニングし、検証セットでDiceスコアを計算する。Diceスコアを向上させる変更を保持する。」

• タスク: 連続OCTによる進行予測。 連続的なOCTデータを用いて、将来の薄化を予測します。縦断的なOCTデータが存在する場合（例: UKバイオバンクまたは個人クリニックのデータ）、目標はRNFLの変化を予測するか、二値の「急速進行者」ラベルを予測することです。

  • データセット: 緑内障に特化した公開縦断OCTデータは不足しています。しかし、SR OCTチャレンジデータ（または進行をシミュレートしたSYN-OCT画像）を再利用してこのタスクをシミュレートすることができます。あるいは、UKバイオバンクのOCT画像を使用することもできます（ただし、緑内障に特化したものではなく、市民科学者が簡単にアクセスできるものではありません）。例として、時間0と時間1のOCTスキャンとラベルのデータセットがあると仮定します。
  • モデル: OCT画像のペアを入力とし、進行の確率を出力するシャムまたは連結CNN。時間0を入力として、時間1のカットオフを予測することから始めます。
  • 指標: 二値進行分類の場合はAUC、厚さの変化を予測する場合はMSE。
  • program.mdの例:

    「目標: 急速なRNFL喪失を経験する眼を特定する。入力: ベースラインOCT; ラベル: 1年後に5μm以上の薄化。CNN分類器を使用する。許可される変更には、ネットワークの深さ、学習率、データ拡張が含まれる。検証AUCを指標として使用する。」

2.2 視野 (VF) 解析

• タスク: 将来の視野喪失の予測。 1つ以上の過去のHumphrey視野検査（点ごとの感度値）に基づいて、将来の感度または進行速度を予測します。これは緑内障管理の古典的な問題です。

  • データセット: GRAPEデータセット (www.nature.com)（2023年）は、263眼（1115件の記録）の視野と眼底/OCTの縦断的追跡データを提供し、進行の注釈も含まれています。別のリソースとして、米国UH視野 (UWHVF) 縦断データベース (www.nature.com)（多数の患者からの28,943視野）があります。しかし、GRAPEは視野と転帰の両方を含む、よくキュレーションされた公開データです。
  • モデル: 54点視野データ（またはグローバルインデックスに圧縮）に対するフィードフォワードネットワーク（全結合）がシンプルなアプローチです。進行予測の場合、より小さなMLPまたは1D-CNNが54または30の入力特徴を処理できます。別のアイデアとして、8x8グリッドを小さな画像として扱い、小さなCNN（例：3x3カーネル）を使用することもできます。
  • 指標: 将来の平均偏差または点値を予測する場合、MSEを使用します（低いほど良い）。「急速進行者 vs 非進行者」を分類する場合、AUCを使用します。
  • program.mdの例:

    「目標: 予測された視野のMSEを最小化する。あるいは、急速な喪失を分類するためのAUCを最大化する。ベースモデル: 54視野値に対する2層パーセプトロン。エージェントは隠れ層のサイズ、活性化関数を調整したり、ドロップアウトを追加したりできる。各5分間のトレーニング後、検証セットで指標を計算する。」

• タスク: 急速進行者の特定。 一連の過去の視野データを用いて、どの眼が急速に視力を失うかを分類します。

  • データセット: GRAPEの注釈付き進行状態を使用します (www.nature.com)（眼は進行済みとしてマークされています）。またはUWHVFを使用し、MD損失の上位10%を「急速」とラベル付けします。
  • モデル: 連続する2つまたは3つの視野（またはその差分）からの特徴を小さなネットワークに連結することができます。利用可能であれば、ベースラインIOPと年齢も含むことができます。
  • 指標: 急速進行者と緩徐進行者を区別するためのAUC。
  • program.mdの例:

    「目標: 急速な視野進行を予測するためのAUCを最大化する。入力特徴: 視野1と視野2の2次差分、およびIOP。小さなFCネットワークを使用する。エージェントは層の幅、学習率、バッチサイズを調整できる。」

2.3 薬剤/化合物スクリーニング（インシリコ候補発見）

• タスク: 神経保護/再生化合物候補の予測。 MLを使用して、RGCを保護したり再生を促進したりする可能性のある小分子を特定します。例えば、ニコチンアミドやバルプロ酸のような多くの既知の化合物は神経保護効果を示します。既知の有効性と相関するケモタイプを認識するようにモデルを訓練し、化学空間を探索することができます。
  • データセット: 緑内障専用の薬剤データベースがないため、これは困難です。代理として、MolNetデータセット（例：HIV阻害、血液脳関門透過性）や任意のバイオアクティビティデータセットを使用できます。あるいは、視神経損傷モデルで試験された化合物リストを文献マイニングからコンパイルし、ラベルを付けることもできます。実際には、より一般的な特性（例：MoleculeNetからの血液脳関関門透過データ）から始めるかもしれません。
  • モデル: SMILES文字列に対する小さなトランスフォーマーまたはグラフニューラルネットワーク。少ない層を持つトランスフォーマー（GPT-2スタイルなど）またはシンプルなグラフ畳み込みネットワーク（例：3層のGCN）をtrain.pyに実装できます。
  • 指標: 分類（活性 vs 非活性）として扱う場合、AUROCを使用します。親和性やlogPを予測する場合、RMSEを使用します。
  • program.mdの例:

    「目標: 神経保護様の化合物を特定するための分類ROC-AUCを最大化する。ベースモデル: SMILESに対する小さなトランスフォーマー。エージェントはトランスフォーマー層の数、ドロップアウト、学習率を調整したり、代替の特徴表現（例：フィンガープリント入力）を使用したりできる。各5分間のトレーニング後、検証分子でAUCを評価する。」

(注: 実際の神経保護に関する公開データは不足しているため、このタスクはより説明的なものです。実際には、市民科学者は既知の神経保護化合物と対照のカスタムデータセットを作成し、このパターンに従うことができます。)

2.4 遺伝子制御ネットワークモデリング（単一細胞RGC）

• タスク: 再生性転写因子（TF）の組み合わせの特定。 RGCからの単一細胞RNAシーケンスデータを使用して、再生成長の転写パターンを学習します。例えば、一部のRGCサブタイプは他のサブタイプよりも良く再生します。MLモデルは「再生状態」ラベルを予測する可能性があり、どの転写因子が重要であるかを調べることができます。
  • データセット: 2018年の研究では、RGCの単一細胞トランスクリプトーム（GEOアクセッションGSE115404) (pmc.ncbi.nlm.nih.gov)が提供されており、異なるRGCサブタイプを特定しています。このデータセット（またはサブセット）を使用し、細胞をサブタイプまたは実験条件（例：損傷前 vs 損傷後）でラベル付けすることができます。
  • モデル: 遺伝子発現ベクトル（各細胞は何千もの遺伝子存在量を持つ）上で動作する小さなトランスフォーマーまたはMLP。実際には、上位約500遺伝子（例：高変動遺伝子）を事前に選択します。train.pyは、ミニトランスフォーマー（例：4層、埋め込み256）またはシンプルな2層パーセプトロンを実装するかもしれません。
  • 指標: 教師なし分析を使用する場合、シルエットスコアを使用できますが、より単純に、細胞を「再生中」vs「非再生」（ラベルが存在する場合）としてラベル付けする場合、分類精度/AUCを使用します。
  • program.mdの例:

    「目標: 再生中のRGCと非再生RGCの遺伝子発現プロファイルを区別するモデルを構築する。3層トランスフォーマーから始める。エージェントは埋め込み次元、深さ、学習率を変更したり、バッチ正規化を追加したりできる。検証精度を最適化する。」 実行後、最適なモデルの注意重みや学習された特徴は、実験のための重要な転写因子を浮き彫りにするかもしれません。

2.5 電気生理学的信号解析

• タスク: ERGによるサブクリニカルRGC機能不全の検出。 パターン網膜電図（pERG）または他の電気生理学的信号は、RGCの健康状態を明らかにすることができます。例えば、ERG応答の遅延または減少は視野欠損に先行する場合があります。信号を「正常」vs「緑内障疑い」に分類することを試みることができます。
  • データセット: 緑内障における公開ERGデータセットは稀です。代わりに、動物由来のデータセット（網膜変性）または合成信号を使用できます。利用できない場合でも、一般的な1D電気生理学データセット（例：ECG）でパイプラインを説明できます。
  • モデル: 時系列データに対する1D CNN（例：2つの畳み込み層の後にFC層）。あるいは、シーケンスが長い場合はLSTMを使用することもできます。
  • 指標: 微妙な機能不全と正常を分類する際の精度またはAUC。クラスが不均衡な場合はF1スコアも考えられます。
  • program.mdの例:

    「目標: ERG波形（健常 vs 早期緑内障パターン）を分類するための検証精度を最大化する。1D CNNを使用する。エージェントはフィルターサイズ、ストライドを調整したり、再帰層を追加したりできる。精度を向上させる変更はすべて保持する。」

2.6 文献マイニング（仮説生成）

• タスク: 新しい知見を表面化させるために小規模言語モデルをファインチューニングする。 PubMedには何千もの緑内障研究論文があり、MLエージェントは関連性を見つけたり、薬剤の再利用候補を探したりすることができます。例えば、神経保護経路を既存の薬剤にリンクさせるなどです。これを言語モデリング問題、または検索問題として扱うことができます。
  • データセット: 緑内障関連の要旨コーパスをコンパイルします（例：「glaucoma gene therapy」などでPubMed検索を使用）。NCBI API経由で約10,000件の要旨をダウンロードできます。より簡単な開始点として、PMCのオープンアクセス緑内障記事を使用します。
  • モデル: 小規模なトランスフォーマー言語モデル（例：6層GPT-2）またはファインチューニングされたBERT。オートリサーチの目的では、テキスト上で因果モデル（GPT）をファインチューニングすることが多いでしょう。
  • 指標: 標準的には、検証損失（パープレキシティ） が最適化されます。分類を行う場合（例：要旨が与えられ、薬剤や経路のラベルを予測する）、精度/AUCを使用します。
  • program.mdの例:

    「目標: 緑内障文献コーパスにおける小規模GPT-2の検証パープレキシティを最小化する。5分間のファインチューニングを実行する。エージェントは層の数、隠れ層のサイズ、学習率、コンテキスト長を変更できる。パープレキシティを減少させる変更を保持する。」 一度訓練されると、このモデルをプロンプトして仮説を生成できます（例：「緑内障における神経保護のための再利用可能な有望薬剤のトップ候補: ...」）。

これらの各ドメインにおいて、1つのGPUと短い実行時間で多くの試行が可能であることが重要です。私たちは、エージェントが新しいアルゴリズムをゼロからコーディングすることを期待しているのではなく、既存のトレーニングスクリプトを微調整することを期待しています。人間の役割は、エージェントの探索を緑内障固有の目標（眼底データセットでのAUC最大化やRNFL厚の予測など）へと導くprogram.mdを記述することです。上記の例は、train.pyを最初にどのように設定し、program.mdが選択された指標を改善するためにどのように促すかを示しています (medium.com) (www.theneuron.ai)。

3. 実践的な市民科学実装ガイド

限られたリソース（例：単一のRTX 3060またはApple Silicon搭載のMacBook）を持つ意欲的な個人は、どのようにオートリサーチを緑内障の問題に実際に適用できるでしょうか？良いニュースは、Karpathy氏のリポジトリは小さく、スケールダウンに関するガイダンスがあることです。以下に、主要なステップとヒントを示します。

• 環境設定: karpathy/autoresearch リポジトリをクローンします。最新のPythonと、理想的にはLLMへのアクセス（エージェント自体は通常、GPT-4やClaudeのような、コードを編集する事前学習済みLLMです）が必要です。GPUを使用する場合は、適切なCUDA/Metalサポート付きでPyTorchをインストールします。Apple Siliconの場合は、フォークのいずれか（例：MLX）またはM1/M2用のPyTorchビルドを使用します（リポジトリのドキュメントを参照）。RTX 3060または4070を搭載したWindows/Linuxでは、通常のPyTorch CUDAが機能します。

• 小規模GPU向けの設定: デフォルトのオートリサーチでは、約50MパラメータのGPTライクなモデルと長さ1024のシーケンスを使用します (medium.com)が、これは重い場合があります。GTX 3060（12GB）の場合、モデルサイズとシーケンス長を削減する必要があります。train.pyでMAX_SEQ_LEN=512または256に設定します。層の数と幅を減らします（中規模GPTは約8層です。4層、幅256を試してください）。コミュニティの指示では、「DEPTH」、「WIDTH」などを下げることに言及されています。また、バッチサイズを小さくする（16または8でも可）ことで、オプティマイザのメモリを削減できます。エージェントはこれらのパラメータを突然変異させることはできますが、より小さな開始点を与えることで、実行時間が5分未満に収まることを保証します。autoresearch GitHub のREADMEとissueディスカッションでも、Mac M1チップはメモリが限られているため、より短いシーケンス（例：256トークン）を処理できることが述べられており、同様のスケーリングはどのGPUにも適用されます。

• 緑内障データの準備: 各タスクのデータを読み込み、分割する必要があります。公開されている緑内障データセットには以下が含まれます:

  • 眼底データセット: ORIGA(-light)（650枚の正常 vs 緑内障ラベル付き画像 (pubmed.ncbi.nlm.nih.gov))、RIM-ONE DL（カップ/ディスクセグメンテーション付き485枚の画像 (github.com))、REFUGE（1200枚以上の画像、トレーニング/テスト分割済み (refuge.grand-challenge.org))、新しいHillel Yaffe Glaucoma Dataset (HYGD)（約1200枚の眼底画像と高品質のラベル (physionet.org))。EyePACS/AIROGS（数万枚の網膜画像）も登録（例：Kaggle）により公開アクセス可能です。
  • OCTデータセット: SYN-OCT（RNFLマスク付き20万枚の合成Bスキャン (www.nature.com) (www.nature.com))、OCTDL（様々な網膜疾患の画像2064枚 (www.nature.com))、その他公開チャレンジからのもの。
  • 視野データ: GRAPE（263眼の縦断的視野データと画像 (www.nature.com))。UWHVF（2万8千件の視野検査）はワシントン大学のリポジトリからダウンロードすれば公開されています (www.nature.com))。いくつかのKaggleチャレンジには視野データが含まれています。
  • 電気生理学: 大規模な公開緑内障ERGデータセットは知られていませんが、アクセス可能な任意の正常 vs 緑内障信号データから始めることができます。
  • 化学/遺伝子データ: MoleculeNet（化合物用）やGEO（遺伝子用）のような標準データセットは再利用可能です。例：GSE115404の生カウントをダウンロードし（GEOクエリ経由 (pmc.ncbi.nlm.nih.gov))、発現マトリックスに前処理します。

  それぞれについて、データをロードし、train_set、val_set、および評価関数を定義するprepare.pyが必要です。Karpathy氏のテンプレートは、prepare.pyがトレーニングデータと損失または指標を返す評価ルーチンを出力することを期待しています。例えば、RIM-ONEのprepare.pyは、画像をロードし、緑内障とラベル付けされたCCをロードし、トレーニング/検証フォルダに分割し、検証AUCを計算する関数を定義するかもしれません。RIM-ONEの構造については[14†L71-L79]を参照してください。

• 小規模向けデータ調整: データセットが大きい場合（EyePACSやSYN-OCTなど）、サブサンプリングして数百の例の「小さな」データセットを作成できます（モデルは小さなコーパスでも価値のある何かを学ぶことができます）。オートリサーチのリポジトリでは、「TinyStories」スタイルの小さなデータセットを小さなハードウェアで実行することにも言及されています。例えば、ORIGAから500枚の画像（バランスの取れたもの）、またはGRAPEから1000の視野をピックアップします。同様に、言語の場合、PubMed緑内障論文の5,000アブストラクトのサブセットを使用することができます。重要なのは、エージェントが繰り返し処理する固定データセットです。各5分間の実行で同じトレーニング/検証分割が使用されるように、事前にシャッフルして80/20に分割することを確実にしてください。

• program.md戦略の記述: コミュニティは、バージョン管理システムで異なるprogram.mdプロンプト（「レシピ」のように）を共有すべきです。各ファイルは研究戦略をエンコードできます。例えば、ある戦略は「深度が6未満ならネットワーク深度を増やす、そうでなければ学習率を減らす」と述べるかもしれませんが、別の戦略は「データ拡張の変更に焦点を当てる」と述べるかもしれません。時間の経過とともに、グループはどの戦略がリーダーボードでより良い指標をもたらしたかを比較できます。良いprogram.mdには目標（例：AUCを最大化または検証損失を最小化）と許可される突然変異（層、フィルター、LR）に関するヒントが含まれています。エージェントのLLMはこれらの指示を使用してコード編集を提案します。実験を比較できるように、指標を標準化してください（例：緑内障分類タスクでは常にAUCを報告する）。

• コミュニティコラボレーション: この取り組みをスケーラブルにするために、市民科学コミュニティは組織化する必要があります:

  • 共有実験ログ: 各実験の結果を投稿します（例：「program-v1の実行#27は、幅=4、深さ=3で検証AUC=0.82を達成した」）。
  • 標準化された指標: 各タスクの指標を定義します。例：「OCT緑内障AUC」、「VF進行AUC」、「属性AUC」など。共有リーダーボード（オートリサーチのval_bpbに類似）でトップスコアを追跡できます。例えば、SlackまたはGitHub Actionsが各エージェントの週ごとの最高のAUCを収集するかもしれません。
  • バージョン管理されたprogram.md: すべてのprogram.mdをGitHubリポジトリでホストします。メンバーはフォークして新しい戦略を提案（プルリクエスト経由）し、過去のバージョンを保持できます。これにより、複数のアプローチを並行してテストできます（例：「program_word2vec.md」対「program_transformer.md」）。
  • データとコードの共有: データ準備スクリプトには公開リポジトリまたはノートブックを使用し、エージェントによって見つけられたtrain.pyの変更を共有します（標準的なMLフレームワークで再現するため）。元のデータセットソース（Kaggle、PhysioNet、Zenodo）へのリンクを張ることで、他の人も同じデータをダウンロードできます。

技術的な障壁を低くし（エージェントがコードを編集し、ユーザーがMarkdownで指示を編集）、努力を調整する（共有ログ、リーダーボード）ことで、市民科学者はこれらの緑内障ML問題のハイパーパラメータ/モデル選択を共同で探索できます。本質的に、彼らは目標を定義することに人間の創造性を投資し、エージェントに各目標について一晩で100の実験という骨の折れる作業を実行させます (medium.com) (www.theneuron.ai)。

4. 視覚回復に特化して

視覚回復 — 損傷後の視力回復 — は、AI駆動型最適化にとって特にエキサイティングなターゲットです。現在のAIアシスト視覚回復研究には、網膜インプラント、皮質プロテーゼ、光遺伝学が含まれます。オートリサーチループがどのように適合するかを以下に示します。

• 視覚プロテーゼエンコーディングの最適化: 現代のプロテーゼ（網膜インプラントや電極アレイに接続されたカメラ）は、カメラ画像を、脳が視覚として解釈する電気刺激パターンに変換しようとします。課題は、電極の「帯域幅」が非常に限られていることです（多くの場合、数十から数百点にすぎません） (pmc.ncbi.nlm.nih.gov)。MLモデル（小さなCNNまたはトランスフォーマー）は、入力画像を理想的な刺激マップにマッピングするように訓練できますが、この変換に最適なハイパーパラメータやアーキテクチャは不明です。オートリサーチエージェントは、数時間で「ニューラルエンコーダー」モデルの100のバリエーションを実行できます。例えば、画像→刺激ペアのデータセット（シミュレートされた光視症または患者データ）を設定し、エージェントがエンコーダーネットワークを最適化して再構築損失を最小限に抑えるか、ユーティリティ指標（コントラストの完全性、認識精度）を最大化するようにします。エージェントは、アテンション層の追加、畳み込みサイズの変更、学習率の調整を試すかもしれません。多くの実行を通じて、より顕著なプロテーゼ出力を提供する小さなネットワークを見つけることができます。最近の研究では、すでにAIを使用してプロテーゼの視覚的顕著性を抽出していますが (pmc.ncbi.nlm.nih.gov)、オートリサーチはこのようなパイプラインのチューニングを自動化できます。

• 光遺伝学的刺激パターン: 光遺伝学療法では、生き残ったRGCや他の網膜細胞を光感受性（導入された遺伝子を介して）にします。カメラからの入力は、光パルスにエンコードされる必要があります。ここでも、MLモデルがパターンを制御できます。おもちゃのタスクとして、カメラ画像を光強度マップ（細胞と同じ寸法）に変換する小さなネットワークを構築できます。エージェントの目的は、効果的な刺激の何らかの指標（例えば、シミュレートされた網膜内の標的細胞の活性化を最大化する）を最大化することです。各試行は、応答の迅速なシミュレーションを実行するかもしれません。反復を通じて、エージェントはパルス持続時間や空間フィルターを探索するかもしれません。例えば、カメラ入力に対するハイパスフィルターの積極性を調整することは、一部のパターンにとって有益かもしれません。重要なのは、多くのアナログパラメータ（フィルターカーネル、非線形性、時間的パルスコーディング）を自動的にスイープできることです。

• パルスパターン最適化（TESおよびインプラント）: 機械学習以外の領域でも、迅速な探索が役立つことがあります。例えば、最近の研究（Xieら、2025年）では、短いパルス持続時間と相間間隔の挿入が、網膜インプラントの皮質活性化を著しく改善することが判明しました (pmc.ncbi.nlm.nih.gov)。これは、電気刺激のパラメータ空間が強く、直感に反する効果を持つことを示唆しています。オートリサーチエージェントは、刺激プロトコルパラメータ（位相持続時間、周波数、間隔）を「ネットワークパラメータ」として扱い、多くの小規模実験（各々シミュレートされたもの、または経験的なもの）を実行して皮質応答を最大化できます。例えば、prepare.pyに簡略化された電気モデル（または記録された誘発電位データを使用）を設定し、エージェントにtrain.pyパラメータ（パルスタイミングなど）を微調整させて、定義された応答振幅を最大化させることができます。これは、熟練した神経科学者が手動で行うことを自動化することに似ています。

• ウイルスベクター設計と足場形状: より探索的な治療法開発では、エージェントのループアプローチは生物医学的最適化にも取り組むことができます。例えば、RGCを標的とするAAVウイルスキャプシドやプロモーターの設計は、小さな予測モデル（例：シーケンス特徴量に対するロジスティック回帰）によって導かれるかもしれません。オートリサーチは、この予測を改善するために、親和性や発現を予測するモデル（例えば、小規模なウイルスライブラリで訓練されたもの）の修正を繰り返し試すことができます。同様に、視神経修復のための神経足場における成長に関するシミュレーションコードがある場合、エージェントは軸索の伸長を最大化するために幾何学的パラメータを微調整できます。これらは高度ですが、概念的には適合します。「実験者としてのエージェント」は、改善された結果のためにモデルまたはシミュレーションパラメータを調整できます。

要約すると、視覚プロテーゼまたは回復の、パラメータ化されたアルゴリズムに依存するあらゆる側面は、迅速な反復によって改善される可能性があります。重要なのは、これらのタスクの多くにおいて、一般的にシミュレーションデータしか利用できないという制限があることです。数百のバリアントを実際の患者でテストすることは不可能です。しかし、オートリサーチはインシリコで機能し、後の臨床試験のための最良の候補を提案することができます。プロテーゼのレビューが指摘したように、「正確な位置で光視症が確実に生成されることを保証すること…は重要な課題であり」、「AI駆動型モデルは」この分野で「可能性を示している」 (pmc.ncbi.nlm.nih.gov)。オートリサーチは、これらのAIモデルの最適な構成を見つけることを大幅に加速できるでしょう。

5. 臨床的インパクトへの橋渡し

計算結果は最終的に、実際の緑内障研究とケアに結びつかなければなりません。患者主導のオートリサーチによって生成されたアイデアは、どのように検証され、進歩させることができるでしょうか？

• 研究グループとの連携: 市民科学者は、既存の緑内障研究コンソーシアムに連絡を取るべきです。例えば、遺伝子および臨床データをプールする国際緑内障遺伝学コンソーシアム (IGGC) やNEIGHBORHOODコンソーシアムなどがあります (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。オートリサーチからの発見（例：新規候補遺伝子または薬剤再利用仮説）は、実験的な追跡調査のためにそのようなグループと共有される可能性があります。組織培養研究室（例：主要大学）や睡眠研究者は、RGCの生存に及ぼす化合物の影響をテストするかもしれません。学術臨床医は、IRBの下で、任意のバイオマーカーや画像分類器を患者データと相関させることができます。ハッカソン形式のグループと正式な研究室との対話を開始することが重要です。

• 患者擁護団体との連携: 緑内障研究財団やCure Glaucoma Foundationのような団体は、患者中心の革新に資金を提供することがよくあります。彼らは、オートリサーチを用いた概念実証プロジェクトや市民参加型コンペティションを後援する可能性があります。これらの団体は臨床医のネットワークを持っており、有望なモデルのリードを臨床に導くのを助けることができます。例えば、エージェントが既存のFDA承認薬を神経保護薬としてマークした場合、擁護団体は適切なプロトコルに基づいた小規模臨床試験の設立を支援することができます。成功を強調するには、出力を仮説として提示し（医療アドバイスではない）、透明性を確保する必要があります。

• 倫理的および安全上の保護措置: 市民科学者は、匿名化された公開データのみ、または完全に合成データを使用する必要があります。実際の患者記録を使用する場合は、IRB承認のプロトコル（およびおそらく患者の同意）が必要です。オートリサーチループからの出力は、仮説生成として明確にラベル付けされるべきです。例えば、「このモデルは薬剤XがRGCを保護する可能性があることを示唆しています – 実験的検証が必要です」というように。重要な医療上の決定は医師に委ねられるべきです。リスクには、個人の結果（緑内障進行）を予測するモデルを誤って配布することなどが含まれます – これらを診断ツールとして扱わないという明確な免責事項が必要です。データプライバシーのベストプラクティス（例：集計されたフィールドや匿名化されたフィールドの使用）は必須です。

• 市民科学の先行事例: アマチュアが医療/神経科学研究に貢献することは前例がないわけではありません。Eyewireプロジェクト（MITのクラウドソーシングによるニューロンマッピングゲーム）は、ボランティアを動員して網膜の神経回路を再構築しました (www.citizenscience.gov)。眼科では、非専門家がOpenAI資金提供のチャレンジ（例：眼疾患のラベル付きデータセット）で画像の注釈付けを支援しました。眼科以外では、Foldit（タンパク質折りたたみパズル）やGalaxy Zoo（銀河の分類）のようなゲームが、市民の参加が難しい科学的問題を解決できることを示しています。これらの成功は、多くの人々（そして今やAI）が複雑な研究を実際に支援できるという考えを後押しします。オートリサーチのアプローチは、各人にAI駆動型の研究室アシスタントを与えるようなものです。以前のクラウドソーシングの取り組みは、固定されたタスクを分析するために人間のみを使用していましたが、ここでは人間が目標を設定し、AIが反復を実行します。

透明性を保ち、慎重かつ協力的に行動することで、市民科学オートリサーチイニシアチブは信頼を得ることができます。「処方箋ではなく、手がかりを生成する」ことを強調すべきです。コミュニティが方法論を文書化し、コードをオープンに共有すれば、専門の研究者は発見を再現できます。例えば、RGC保護因子の新しい組み合わせを発見した場合、プレプリントとして公開したり、研究室に通知したりすることができます。引用形式の参照（本稿で行っているように）は橋渡しに役立ちます。例：「我々は、既知の経路の文脈で、あなたの候補薬剤リストを処理しました (pmc.ncbi.nlm.nih.gov)。」最終的には、これはオープンサイエンスの一形態であり、患者主導でありながら科学的に厳密です。倫理基準が維持されれば、このような草の根のイノベーションは新たな協力関係を触発し、最終的には査読付きの眼科研究に貢献する大きな可能性を秘めています。

6. 具体的な90日ロードマップ

集中的な期間を設けた計画は、10～50人（それぞれ少なくとも1つのGPUまたはApple Siliconを持つ）のコミュニティを結集させ、緑内障のためのオートリサーチの取り組みを立ち上げることができます。以下に提案する段階的計画を示します。

• 1～2週目: 形成とセットアップ

  • 募集とキックオフ: コミュニケーションチャネル（例：SlackまたはDiscord）とプロジェクト用のGitHubリポジトリを作成します。緑内障患者フォーラム、バイオハッカーグループ、AIミートアップで広報します。
  • ハードウェアチェック: 全員がPyTorchをインストールし、Karpathy氏のリポジトリ（またはMapleフォーク）をクローンできることを確認します。各メンバーが玩具データセット（例：CIFAR-10サブセット）でサンプルオートリサーチループを実行し、環境を検証するセットアップセッションを開催します。
  • データセットの選択: 1～3つの初期タスク（例：OCT分類、視野進行）を決定します。各タスクについて、データを準備する小規模チームを割り当てます。例：あるチームはRIM-ONE画像 (github.com)をダウンロードし、別のチームはGRAPE視野データ (www.nature.com)を取得し、さらに別のチームは文献抄録を収集します。チームはデータを80/20に分割し、prepare.pyのひな形を作成すべきです。
  • ベースラインモデル: 各タスクについて、シンプルなtrain.pyを完成させます。例：RIM-ONE用には小さなCNN、視野データ用にはMLP。評価指標（AUC、Dice、MSE）を選択します。
  • 初期program.mdの草案作成: 各チームは目標と許可される変更を記した初期の指示ファイル（program.md）を作成します。例：RIM-ONE用には「緑内障検出AUCを最大化する」、GRAPE用には「視野MSEを最小化する」。

• 3～6週目: 最初の実験サイクル

  • オートリサーチループの実行: 各サブグループは、自分たちのタスクでエージェントを一晩（約100回の5分間実行）実行します。最初は1つのprogram.mdを使用し、その後参加者はバリエーション（例：「program_temp1.md」）を追加できるようにします。
  • 結果の収集: 毎朝、チームはログ（リポジトリは各実行を自動でログに記録します）を検査します。達成された最良の指標、その時点でのモデルパラメータ、エージェントが見つけた注目すべき変更を記録します。透明性のために、これらの結果を共有GitHub（おそらくCSVまたはJSON形式で）にプッシュします。
  • 反復とフィードバック: 実行を比較します。何らかの戦略がベースラインを著しく上回りましたか？サブチームが進捗が少ないと感じた場合、program.mdを微調整すべきです（例：学習率の変更をより積極的に行う）。毎週末、コミュニティミーティングで発見を統合します。
  • ツール: program.mdとコードテンプレートのバージョン管理にはGitを使用します。リーダーボード用に共有Googleシートまたはwikiテーブルを検討します（例：「OCT-AUC: 最高=0.85 by Alice; VF-RMSE: 最高=2.1 by Bob」）。これは健全な競争と透明性を促進します。

• 7～12週目: 洗練とアウトリーチ

  • 実験の洗練: 初期の結果に基づいて、有望なタスクを洗練します。例えば、RIM-ONE分類器が0.90 AUCを超えた場合、次にデータ拡張やわずかに深いネットワークを追加してみます。分岐を奨励します。一部は異なるアーキテクチャ（例：CNNの代わりにVision Transformer tiny）を試すことができます。エージェントは複数のprogram.mdバリアントを並行して実行できます。
  • 結果の統合: 各ドメイン（OCT、視野など）について、何がうまくいったかを要約した短いレポートを作成します。例えば、「ReLUからGELU活性化に切り替えることで、GCCセグメンテーションのDiceスコアを0.60から0.75に改善した」など。非専門家でも理解できるように平易な言葉を使用します（ML用語の用語集など）。
  • コミュニティプレゼンテーション: 10週目までに、これまでのイニシアチブを要約したブログ投稿またはスライドデッキを作成します。些細ではない発見を強調します（「null」結果も共有する価値があります）。オンラインフォーラムからフィードバックを募り、研究者にコメントを求めるために連絡するかもしれません（「Xというニューラルネットワークの微調整が早期緑内障の分類に役立つことがわかりました – これが生理学と合致するかどうか、何かアイデアはありますか？」）。
  • アウトリーチ計画: 協力に関心のある1つまたは2つの眼科研究室または臨床医を特定します。初期の結果を持って連絡を取ります。例えば、HYGDデータセットの著者やGRAPEチームにTwitter/LinkedInで連絡し、市民による発見を伝えます。共同検証の可能性を探ります（例：訓練済みモデルの重みを送って、彼らのデータでテストしてもらう）。

• 12週目以降: 次のステップ

  • 最も有望なタスクと新しいタスクのループを継続します。例えば、RIM-ONEで良い結果が出れば、次にREFUGEに取り組みます。おそらく複合モデル（CNNのアンサンブル）を構築するかもしれません。
  • この取り組みを記述するプロジェクトページまたはプレプリントを公式化します。
  • 緑内障慈善団体と提携し、より多くの人材を呼び込むためのハッカソンの開催を検討します。

このように構成することで、コミュニティは着実に進歩し、共に学び、90日後には専門家との橋渡しを開始することができます。

7. リスク、限界、そして正直な評価

緑内障のためのオートリサーチというアイデアは野心的であり、潜在的な落とし穴について正直に評価する必要があります。

• 過学習と見かけのパターンのリスク: 小さなデータセット上の小さなモデルは、ノイズが多く、偶然に一致するパターンに過学習しやすいです。エージェントは、固有の癖に過学習するだけで検証AUCを改善する調整を見つけるかもしれません。例えば、画像の一部に微妙な注釈マークがあった場合、ネットワークは真の緑内障特徴ではなくそれを使用するかもしれません。これは「勾配降下の欺瞞」につながります。これを軽減するには:

  • 最終評価には、常に保留されたテストセット（いかなるチューニングとも完全に分離されたもの）を使用します。
  • 複雑さを制限します。モデルを控えめに保ち、エージェントが不合理なほどネットワークを深くしたり広くしたりしていないか監視します。
  • モデルがあまりにも早くほぼ完璧なスコアを達成した場合、疑問を持ちます。
  • 健全性チェックを使用します。例：ラベルをスクランブルして、AUCがランダムな値に低下するかどうかを確認します（低下しない場合、リークがあります）。

• バイアスとデータ品質: 公開されている緑内障データセットは、しばしば狭い人口集団（例：シンガポールからのORIGA (pubmed.ncbi.nlm.nih.gov)) から得られています。これらに合わせて調整されたモデルは、汎化できない可能性があります。市民実験ではこの限界に注意すべきです。理想的には、複数のデータセット（異なるコホートから）を使用して、発見が頑健かどうかを確認します。

• 誤った手がかり（「研究ごっこ」）: 多数の実験を実行することは生産的に感じられますが、すべての改善が合成データまたは些細なデータセット上のみである場合、患者に利益をもたらさない可能性があります。これを避けるには:

  • 臨床的に関連性の高いタスクに焦点を当てます（例：日常的なOCTからの早期検出）。
  • 可能であれば、結果を実際の測定値に結びつけます（例：進行のAUCであり、わずかな損失の差分だけではない）。
  • 解釈可能性を優先します。エージェントが新しいバイオマーカーを「発見」した場合、それが理にかなっているかを確認するように努めます（例：既知の解剖学的変化に焦点を当てているか？）。

• 臨床的保証なし: 明確にしておくべきです。これらのループからの出力は、医療アドバイスではなく、仮説生成です。新しい薬剤を示唆するモデルは、患者への使用前に研究室で検証されなければなりません。過剰な主張は危険です。共有するすべての結果には、「これはAIによる探索であり、査読された発見ではありません」という免責事項を付けます。

• 「小規模モデル」の限界: 非常に小さなネットワークは容量が限られています。複雑なパターンを見逃す可能性があります。対照的に、大規模モデルはしばしばブレークスルーをもたらしますが、膨大なデータを必要とします。ここでは、限られた範囲を受け入れます。たとえ小さな改善であっても、研究を導くことができるという希望があります。しかし、これらのモデルが大規模データでの深層学習に取って代わると期待すべきではありません。それらは、明白なアイデアを迅速に試すのに最適です。

• エージェントの信頼性: エージェント（例：GPT-4）は幻覚を見たり、逸脱したりする可能性があります。結果が再現可能であることが重要です。エージェントの実行後、人間はどのような変更が保持されたかを確認し、トレーニングを再実行して指標を確認すべきです。program.mdに「評価指標における実際の改善のみを受け入れる」のような文言を含めることで、エージェントを正直に保ちます。

これらの課題にもかかわらず、重要な保護策は透明性と厳密なフォローアップです。すべてを文書化してください。モデルがパターンを示した場合、それを検証します。多くの市民科学者が同じ異常（例：OCTタスクのすべての高AUCモデルが鼻側網膜領域を強調する）を見た場合、そのケースは強化されます。目標は、その後の慎重な科学を回避することではなく、アイデア生成段階を加速することです。

結論

緑内障は複雑で無症候性の失明疾患であり、神経保護から視覚回復まで、多くの満たされていない研究ニーズがあります。同時に、AIは実験を民主化しました。GPUといくらかの決意を持つ一人の人間が、チームが手動で行うと数週間かかるような自動化されたハイパーパラメータ探索を実行できます。Karpathy氏のオートリサーチフレームワークは、本質的に各市民にAI研究室アシスタントを手渡します。Markdownで明確な高レベルの目標を記述することで、コミュニティの研究者はエージェントに成果物を処理させ、有望な手がかりに直接到達させることができます。

私たちは、これが実践的にどのように行われるかを概説しました。緑内障MLタスクの特定、データ（眼底およびOCT画像、視野、分子データセット）の選択、モデルと指標の定義、そしてプログラム指示を用いた探索のガイドです。90日間のコミュニティロードマップをスケッチし、価値ある出力が実際の緑内障科学に情報を提供できるよう、臨床医への橋渡しについても言及しました。このアプローチはまさに「市民科学」です。科学的発見ツールにアクセスしやすい方法で扉を開き、同時に専門家の監督を重要な部分で頼りにしています。

引用: 我々は、緑内障研究とAIの両方における最新のリソースを参照しました。主要な事実（疾患の有病率、半数が未診断 (physionet.org))、有望な治療法（CNTFインプラント (pmc.ncbi.nlm.nih.gov)、遺伝子編集 (pmc.ncbi.nlm.nih.gov))、そして不確かな落とし穴（画像診断におけるAI (pmc.ncbi.nlm.nih.gov)) は、現在の文献に基づいています。オートリサーチ自体はKarpathy氏の解説 (medium.com) とレビュー (www.theneuron.ai) で説明されています。これらは、ここで概説されているビジョンに信頼性を与えるはずです。

最終的には、読者が力を得たと感じてくれることを願っています。もしあなたが患者、介護者、あるいは情熱的な愛好家であれば、緑内障研究を前進させる一員になれるかもしれません。ツールとデータは存在し、問題は明確であり、連携とAIエージェントがあれば、学習を加速できます。どんな研究でもそうですが、旅には誤ったスタートもあるでしょうが、失敗からも何かを学び、しばしば人間の心を正しいアプローチへと導きます。可能性と落とし穴の両方に目を見開いて、市民主導のオートリサーチは、従来の緑内障科学を強力に補完するものとなるでしょう。

まずはこちらから

今日から緑内障のためのオートリサーチに足を踏み入れる最も簡単な方法：ORIGA眼底画像で小規模な分類を実行する。

1. データを取得: ORIGA-lightデータセット（650枚の網膜眼底画像、正常 vs 緑内障でラベル付け済み）をダウンロードします (pubmed.ncbi.nlm.nih.gov)。約80%をトレーニング用、20%を検証用に分割します。

2. 初期モデル: [karpathy/autoresearch] のサンプルスクリプトを画像分類用に利用または適応させます。例えば、ORIGA画像をロードし、小さなCNN（2～3層の畳み込み層）をトレーニングして、緑内障と健常を区別するためのコードなどです。

3. program.mdを作成: テキストで目標を*「緑内障検出の検証AUCを最大化する」*と設定し、エージェントにモデルの深さ、学習率などを調整するよう指示します。例えば:

   目標: ORIGAデータセットにおける緑内障 vs 正常のAUCを最大化する。

   エージェントは畳み込み層のサイズ、フィルター数、学習率を調整するべきである。各試行は5分間のトレーニングとする。検証AUCが改善すれば、変更を保持する。繰り返す。

4. ループを実行: オートリサーチを起動します（prepare.py、train.py、program.mdをポイントします）。RTX 3060で数時間または一晩実行させます。自動的に約100の実験を実行します。

5. 結果を確認: コンソールまたはログを調べて、達成された最高の検証AUCを確認します（すべて順調であれば0.8を超えるはずです）。これで、AIエージェントが洗練したモデルとトレーニングスクリプトが得られます。

この簡単な週末の実験は、手動で新しいコードを書かずにMLパイプラインを構築する直接的な経験をすでにあなたに与えます。試したことと、program.md、結果をコミュニティと共有してください。それぞれの小さな成功（AUCの向上、興味深いネットワークの変更）が積み重ねとなります。あなたは文字通りAIに、あなたが選んだ緑内障の問題について研究を行うよう指示しているのです。そうすることで、あなたは緑内障データサイエンスの両方を学び、視力喪失の理解や治療に貢献する希望を持つことができます。

頑張ってください！ 疑問や発見はオープンソースで共有し、これが研究用の玩具ツールであり、医療アドバイスではないことを忘れないでください。慎重に実行を確認し、発見のプロセスを楽しんでください。

**`