熊本・鹿児島を拠点とするスタートアップAMIが開発する「超聴診器」は、心音を定量的に評価し、AIで分析する革新的な医療機器です。
現役の循環器内科医である小川晋平CEOが、熊本地震やドクターヘリでの経験から着想を得て2015年に創業。ハードウェア、AI、クラウド、データベースを垂直統合した独自のソリューションで、2022年にPMDA（医薬品医療機器総合機構）の承認を取得しました。
超高齢社会で「心不全パンデミック」が懸念される中、循環器診療において聴診と心エコー検査の間に存在する空白を埋める「X線のような簡易検査ツール」として、全国の医療機関への普及を目指しています。
地方を拠点に選んだ戦略、医師と経営者の両立、限られたリソースで世界最高水準を目指す挑戦は、日本のディープテックスタートアップのモデルケースとなる可能性を秘めています。
深掘り
超聴診器がもたらす医療の変革
従来の聴診器は、医師の経験と主観に大きく依存する検査手段でした。同じ医師でも疲労状態や周囲の騒音によって聴診の質が変わってしまうという課題がありました。AMIの超聴診器は、20Hz以上の人間の可聴域を正確にフラットに取得できる性能を持ち、この主観的な検査を定量的・客観的なデータに変換します。
さらに重要なのは、「超聴診器」がデバイス単体ではなく、ハードウェア、ソフトウェア、クラウドサービス、AIエンジン、心音データベース、ナレッジを統合したエコシステム全体を指すという点です。デバイスの正式名称は「心音図検査装置AMI-SSS01シリーズ」（愛称：Cardio-EGG）ですが、これはあくまで構成要素の一つです。
垂直統合戦略の競争優位性
AMIは、ハードウェアの設計から信号処理、AIアルゴリズム開発、データベース構築まで、すべてを自社で行っています。これは「自社のデバイスでしか取得できない高精度な心音データ」という独自資産があるためです。汎用的なAIプラットフォームでは実現できない、医療現場に特化した精度と信頼性を実現しています。
心不全パンデミックという社会課題
日本の高齢化率は地域によっては30%を超え、心不全患者が急増しています。循環器専門医だけでは対応しきれない状況が「心不全パンデミック」と呼ばれています。この課題に対し、超聴診器は専門医以外の医師でも心疾患を早期発見できるツールとして機能します。
地方発の戦略的意義
東京ではなく熊本・鹿児島を拠点に選んだのは、偶然ではなく戦略です。地方こそが超高齢社会の「最前線」であり、ここで社会実装の実績を作れば世界に通用する。実際、九州の地方銀行5行を含む株主構成が、この地域密着型の戦略を支えています。
NEDOプロジェクトとデータ収集
現在、NEDO（新エネルギー・産業技術総合開発機構）の研究費を得て、5万件の心音データを収集するプロジェクトが進行中です。本来、大企業であれば20〜30人体制で行う規模のプロジェクトを、限られた人員で推進しているのは、小川氏の「北極星になる」という強い意志の表れです。
医師と経営者の二刀流
小川氏は週1回、鹿児島県姶良市の加治木温泉病院で診療を続けています。これは「臨床現場にこそ答えがある」という信念からです。テクノロジーやビジネスだけに傾くのではなく、現場に立ち続けることで、真に必要とされるプロダクトを見失わないようにしています。12年間この働き方を続けていることは、社会実装への本気度を示しています。
深掘りを図解
用語解説
超聴診器
AMIが開発した、ハードウェア（Cardio-EGG）、ソフトウェア、クラウドサービス、AIエンジン、心音データベース、医療ナレッジを統合した医療ソリューション全体の名称。単なる電子聴診器ではなく、心音を定量的に評価し、AIで分析するエコシステムを指す。
PMDA（医薬品医療機器総合機構）
Pharmaceuticals and Medical Devices Agencyの略。日本における医薬品・医療機器の安全性と有効性を審査する独立行政法人。厚生労働省所管で、医療機器を市場に出すためには、PMDAの厳格な審査を経て承認を得る必要がある。
心不全パンデミック
感染症のパンデミックではなく、超高齢社会において心不全患者が急増し、循環器専門医だけでは対応しきれなくなる状況を指す造語。日本では2025年以降、この現象が顕在化すると予測されている。
Cardio-EGG（カルディオ・エッグ）
超聴診器のハードウェア部分の愛称。正式名称は「心音図検査装置AMI-SSS01シリーズ」。マウスサイズのデバイスで、20Hz以上の音域を正確にフラットに取得できる管理医療機器（クラスⅡ）として承認されている。
垂直統合
製品開発において、ハードウェア設計から製造、ソフトウェア開発、データ収集、AI開発まで、サプライチェーンの複数段階を自社で一貫して行うビジネスモデル。外部依存を減らし、独自の競争優位性を築くことができる。
NEDO（新エネルギー・産業技術総合開発機構）
New Energy and Industrial Technology Development Organizationの略。経済産業省所管の国立研究開発法人で、エネルギー・環境技術や産業技術の研究開発を支援する機関。AMIは5万件の心音データ収集プロジェクトでNEDOの研究費を受けている。
管理医療機器（クラスⅡ）
医療機器のリスク分類の一つ。クラスⅠ（一般医療機器）より高度で、クラスⅢ・Ⅳ（高度管理医療機器）より低リスク。体温計や電子血圧計などがクラスⅡに該当し、第三者認証または厚生労働大臣の承認が必要。
心音図検査
心臓の音（心音）を記録・分析する検査方法。従来は医師の聴診に頼っていたが、超聴診器により客観的なデータとして記録・分析できるようになった。呼吸器におけるX線検査のような位置づけを目指している。
AIアンサンブル
複数の異なるAIモデルを組み合わせて、より高精度な予測や判断を行う機械学習の手法。AMIでは複数のAIアルゴリズムを組み合わせることで、心音分析の精度を高めている。
ドクターヘリ
医師と看護師が搭乗し、救急現場や地域の医療機関に向かう救急医療用ヘリコプター。小川氏は12〜13年前、ドクターヘリに最も多く乗っていた医師の一人で、この経験が超聴診器開発の原体験の一つとなった。
ルーツ・背景
聴診器の歴史
聴診器の発明は1816年、フランスの医師ルネ・ラエンネックにまで遡ります。当時、患者の胸に直接耳を当てる「直接聴診法」が一般的でしたが、ラエンネックは紙を筒状に巻いて患者の胸に当てることで心音がより明瞭に聞こえることを発見しました。これが近代的な聴診器の原型となり、約200年にわたり医療の基本的なツールとして使われ続けています。
しかし、聴診器の基本構造は200年間ほとんど変わっていません。音響管とチェストピース（胸に当てる部分）、イヤーピースで構成される極めてシンプルな構造で、医師の耳と経験に全面的に依存する検査方法でした。
電子聴診器の登場と限界
20世紀後半から電子聴診器が登場し、音を増幅したり記録したりできるようになりました。しかし、これらの多くは聴診の補助的なツールに留まり、医師の主観的判断を客観的データに変換するまでには至っていませんでした。
医療におけるAI革命
2010年代に入り、ディープラーニングの発展により、画像診断AIが急速に進化しました。CT、MRI、X線画像の解析において、AIは既に医師と同等、あるいはそれ以上の精度を示す分野も出てきています。しかし、音による診断、特に心音の分析はデータ収集の難しさや標準化の遅れから、画像診断ほど進んでいませんでした。
日本の超高齢社会と医療課題
日本は世界に先駆けて超高齢社会に突入しました。2025年には団塊の世代がすべて75歳以上となり、医療・介護需要が急増する「2025年問題」が現実化しています。特に循環器疾患は高齢化に伴い増加し、専門医の不足が深刻化しています。
地方では高齢化率が30%を超える地域も増え、医療資源の偏在が問題となっています。都市部に専門医が集中し、地方・離島では十分な医療を受けられない「医療格差」が広がっています。
遠隔医療の規制緩和
2015年8月、厚生労働省が遠隔診療を認める通知を出したことが、AMI創業の直接的なきっかけとなりました。それまで厳しく制限されていた遠隔医療が、ICT技術の発展と医療需要の変化を受けて、徐々に規制緩和されてきた流れの中での出来事でした。
小川氏はこの時、大学院で医療経済を学びながら「2025年には遠隔診療が当たり前にならざるを得ない」と考えていました。規制緩和が予想より早く来たことで、「準備しなければ」という使命感から起業を決意したのです。
熊本地震が与えた影響
2016年4月の熊本地震は、小川氏の原体験の一つです。ドクターカーで避難所を夜通し回る中で、災害医療では限られたリソースしか使えないという現実に直面しました。CTもMRIもない状況で使える医療機器として、聴診器と心電図が重要な役割を果たしたのです。
この経験が「いつでも、どこでも、だれでも、最適な医療が受けられる社会」というミッションの原点となりました。
技術の仕組み
1. 高精度な心音取得
超聴診器の核心は、20Hz以上の人間の可聴域を「正確にフラットに」取得できることです。従来の聴診器では、音域によって感度が異なり、特定の周波数帯が強調されたり減衰したりしていました。AMIのデバイスは、PMDAの審査を経て「20Hzから上の音域を正確にフラットに取得できる医療機器」として承認を得ています。
これにより、心臓の微細な異常音も漏らさずキャッチでき、後の分析の精度が大きく向上します。
2. 信号処理技術
取得した心音データは、そのままでは雑音が多く分析に適しません。AMIは独自の信号処理技術により、心音から不要なノイズを除去し、分析に必要な特徴を抽出します。この信号処理アルゴリズムも自社開発しており、ハードウェアの特性を最大限に活かせるよう最適化されています。
3. クラウドへのデータ送信
処理された心音データは、クラウド上に送信されます。これにより、遠隔地の専門医が音を聴くことができ、また過去のデータと比較することも可能になります。ドクターヘリの事例では、飛行中に詳細な心音情報を共有し、到着前に治療方針を立てることができるようになります。
4. AI分析
クラウド上では、複数のAIアルゴリズムが心音データを分析します。AMIのAIは「複数のAIをアンサンブル（組み合わせ）する」技術を採用しており、一つのAIでは見逃す可能性がある異常も、複数のAIで多角的に分析することで検出精度を高めています。
このAIは、自社で収集した5万件以上の心音データベースで学習されており、汎用的なAIでは実現できない精度を持っています。
5. 定量的評価と可視化
AI分析の結果は、医師が理解しやすい形で可視化されます。従来の聴診が「異常音が聞こえる/聞こえない」という主観的判断だったのに対し、超聴診器は「異常の確率が何%」「どの時点でどの種類の異常音が検出された」といった定量的な情報を提供します。
これにより、経験の浅い医師でも専門医に近い判断ができ、また時間経過による変化を客観的に追跡できるようになります。
6. 継続的な学習と改善
収集された心音データは（患者の同意を得た上で）データベースに蓄積され、AIの継続的な学習に使われます。使えば使うほど精度が向上する「成長するシステム」となっているのです。
技術的差別化要因
- 垂直統合: ハードウェアからAIまで自社開発することで、最適化された一貫性のあるシステムを実現
- 独自データ: 自社デバイスでしか取得できない高精度データにより、他社が追随できないAIを構築
- 医療機器承認: PMDAの厳格な審査をクリアし、医療現場で正式に使用できる信頼性
- 専門医の知見: 現役循環器内科医が開発に関わることで、臨床現場のニーズを正確に反映
技術の仕組みを図解
実務での役立ち方
1. 循環器内科以外の医師にとって
専門外の医師でも、超聴診器を使うことで心疾患の早期発見が可能になります。例えば、整形外科で「膝が痛い」と訴えた高齢患者が、実は心不全による浮腫（むくみ）が原因だった場合、超聴診器があれば早期に発見し、循環器内科への紹介につなげられます。
2. 地方・離島の医療機関にとって
循環器専門医が常駐していない地域でも、超聴診器とクラウドを活用することで、遠隔地の専門医に心音データを送り、アドバイスを受けることができます。これにより医療格差の是正につながります。
3. 救急医療の現場にとって
ドクターヘリや救急車内で超聴診器を使用すれば、搬送中の心音データをリアルタイムで病院に送信でき、受け入れ病院は到着前に準備を整えることができます。救命率の向上に直結します。
4. 健康診断・予防医療の分野にとって
企業の健康診断や人間ドックに超聴診器を導入すれば、自覚症状がない段階での心疾患発見が可能になります。早期発見により重症化を防ぎ、医療費削減にもつながります。
5. 医療機器メーカーにとって
AMIのモデルは、医療機器開発における「垂直統合戦略」の成功例です。ハードウェアだけでなく、データ収集からAI開発まで一貫して行うことで、他社に真似できない競争優位性を築けることを示しています。
6. スタートアップ経営者にとって
「前例がない領域で北極星になる」という戦略、地方拠点の戦略的選択、ピッチコンテストの活用など、リソースが限られたスタートアップが成長するための示唆が詰まっています。
7. 投資家・VCにとって
医療機器×AI領域では前例が少なく、評価軸が定まっていません。AMIのような企業を適切に評価し支援することで、新しい市場を創出できる可能性があります。地方発のディープテックスタートアップへの投資モデルとしても参考になります。
8. 医療政策に関わる方にとって
超聴診器が健康診断のデフォルトになれば、心不全パンデミックの予防につながります。ソーシャルインパクトボンドなどの仕組みと組み合わせることで、予防医療への投資を促進できる可能性があります。
9. ビジネスマンのキャリア構築において
- 専門性と経営の両立: 小川氏のように専門家としての現場感覚を保ちながら経営することの重要性
- リソースがない中での戦い方: ピッチ、ネットワーキング、できることから始める姿勢
- ビジョンの言語化: パーパス、ミッション、ビジョンを明確にすることで、仲間や支援者を集める
キャリアへの効果
1. 医療×テクノロジー人材としての市場価値向上
医療とAI・IoT技術の融合領域は、今後最も成長が期待される分野の一つです。超聴診器のような事例を学ぶことで、この領域でのキャリア構築の具体的なイメージを持つことができます。医療従事者であればテクノロジーへの理解を深め、エンジニアであれば医療ドメインへの視野を広げることができます。
2. ディープテックスタートアップへの理解
AMIの事例は、技術開発、規制対応、資金調達、人材採用など、ディープテックスタートアップが直面する課題の縮図です。この分野でのキャリアを考える際の貴重な学びになります。
3. 社会課題解決型ビジネスの設計力
「心不全パンデミック」という社会課題に対し、技術で解決するアプローチを学ぶことで、社会課題解決型ビジネスの設計力が身につきます。SDGs時代において、この能力は極めて重要です。
4. 規制産業でのイノベーション実践力
医療機器業界は規制が厳しく、PMDAの承認取得には高いハードルがあります。この領域でイノベーションを起こすために必要な「規制対応力」と「社会実装力」の重要性を理解できます。
5. 地方からのグローバル展開戦略の理解
「東京ではなく地方を選ぶ」という逆張りの戦略が、実は合理的である理由を理解することで、既存の常識に囚われないキャリア選択ができるようになります。
6. 専門家と経営者の二刀流スキル
小川氏のように、専門家としての現場感覚を保ちながら経営者として組織を率いる「二刀流」のキャリアモデルは、今後ますます重要になります。一つの専門性だけでなく、複数の役割をこなせる人材としての市場価値が高まります。
7. データドリブンな意思決定力
心音という主観的な情報を定量化・データ化することの価値を理解することで、あらゆるビジネスにおいて「データドリブンな意思決定」の重要性を体得できます。
8. 長期的視点での事業構築力
2015年の創業から2022年の薬事承認まで7年、そして今後5年で全国普及を目指すという長期戦略を学ぶことで、短期的な成果に囚われない事業構築力が養われます。
9. 協業・エコシステム構築力
山川准教授との出会い、医療機関との協力、地方銀行との連携など、様々なステークホルダーを巻き込んでエコシステムを構築する力の重要性を学べます。
学習ステップ
学習ステップを解説
超聴診器やAMIの事例から学び、医療×AI分野やディープテックスタートアップでのキャリアを目指す方への学習ステップを、初心者でも取り組みやすい形で提案します。
フェーズ1: 基礎知識の習得（1〜3ヶ月）
ステップ1-1: 医療業界の基礎理解
- 日本の医療制度、保険制度の基本を学ぶ
- 医療機器の分類（クラスⅠ〜Ⅳ）と規制を理解する
- チェックポイント: 「PMDA」「薬事承認」「管理医療機器」を説明できる
ステップ1-2: AI・機械学習の基礎
- 機械学習の基本概念（教師あり学習、ディープラーニング等）を学ぶ
- Python等のプログラミング言語の基礎を習得
- チェックポイント: Kaggleの入門コースを完了する
ステップ1-3: 循環器疾患の基礎知識
- 心臓の構造と機能を理解する
- 心不全、心筋梗塞などの主要疾患を学ぶ
- チェックポイント: 心音の種類（I音、II音等）と異常音を説明できる
フェーズ2: 専門分野の深掘り（3〜6ヶ月）
ステップ2-1: 医療AIの事例研究
- 画像診断AI、ゲノム解析AIなど、他の医療AI事例を調査
- それぞれの成功要因と課題を分析
- チェックポイント: 5つ以上の医療AIサービスを比較分析できる
ステップ2-2: 信号処理・音響工学の学習
- 音波の物理、周波数解析の基礎を学ぶ
- 信号処理の基本アルゴリズムを理解する
- チェックポイント: FFT（高速フーリエ変換）を実装できる
ステップ2-3: スタートアップの資金調達を学ぶ
- VC、エンジェル投資、補助金・助成金の仕組みを理解
- ピッチ資料の作り方、プレゼン技術を学ぶ
- チェックポイント: 架空のスタートアップのピッチ資料を作成する
フェーズ3: 実践的スキルの構築（6〜12ヶ月）
ステップ3-1: データ分析プロジェクトの実施
- オープンデータを使った医療データ分析プロジェクトを実施
- 心音データや心電図データのオープンデータセットで実験
- チェックポイント: 分析結果をブログやGitHubで公開する
ステップ3-2: 医療機器規制の実務理解
- PMDAのガイドラインを読み込む
- 薬事申請のプロセスを詳細に調査
- チェックポイント: 医療機器開発のロードマップを描ける
ステップ3-3: ネットワーキング
- 医療×AI系のイベント、カンファレンスに参加
- 医師、エンジニア、起業家とのつながりを作る
- チェックポイント: LinkedInで関連分野の専門家10名以上とつながる
フェーズ4: キャリア実践（12ヶ月〜）
ステップ4-1: 実務経験の獲得
- 医療AI企業でのインターン・就職
- 医療機関でのフィールドワーク
- 自身でプロトタイプ開発を始める
- チェックポイント: 実際の医療現場の課題を3つ以上特定できる
ステップ4-2: 専門性の確立
- 特定の医療分野（循環器、呼吸器等）に特化
- または特定の技術（信号処理、画像認識等）に特化
- チェックポイント: 学会発表、論文投稿、または特許出願
ステップ4-3: 起業準備またはキャリアアップ
- 起業する場合: チームビルディング、MVP開発、初期資金調達
- 就職の場合: より高度な役職へのステップアップ
- チェックポイント: 明確なキャリアゴールと3年計画を持つ
継続的な学び
- 最新の医療AI論文を定期的に読む（週1本を目標）
- 規制・法律の変更を追う
- 医療現場の声を聞き続ける
学習ステップを図解
あとがき
超聴診器の開発ストーリーは、単なる技術革新の物語ではありません。それは「限られたリソースで、いかに世界を変えるか」という普遍的な問いへの一つの答えです。
小川氏が語る「北極星になる」という言葉には、前例がない領域で道を切り拓く者の覚悟が込められています。医療機器×AI領域に1兆円企業がないなら、自分たちが前例になる。地方にモデルケースがないなら、自分たちがモデルケースになる。この思想は、あらゆる領域のイノベーターに通じるものです。
また、医師と経営者の二刀流を12年間続けていることも印象的です。「臨床現場にこそ答えがある」という信念は、どんなビジネスにおいても「現場を知る」ことの重要性を示唆しています。MBAや経営理論だけでは見えない、現場の肌感覚。それこそが、真に必要とされるプロダクトを生み出す源泉なのでしょう。
「この火を消さない」という言葉も心に残ります。スタートアップの経営は、常に自転車操業であり、苦しいのが当たり前です。しかし人の命に関わる事業だからこそ、どんなに苦しくても続けなければならない。その覚悟が、社会実装を成し遂げる原動力となっています。
2026年を迎えた今、心不全パンデミックは目前に迫っています。超聴診器が全国の医療機関に普及し、一人でも多くの命が救われる未来。その実現に向けた挑戦は、まだ道半ばです。しかし、熊本・鹿児島から始まったこの挑戦が、やがて日本を、そして世界を変える日が来ることを信じています。
私たち一人ひとりができることは何でしょうか。医療従事者であれば、新しい技術に対してオープンマインドでいること。エンジニアであれば、社会課題に目を向けること。投資家であれば、前例がない領域にも勇気を持って投資すること。そして患者であれば、自分の健康に関心を持ち、定期的な検査を受けること。
超聴診器の物語は、まだ完結していません。この記事が、医療×AIの未来に興味を持つ方、ディープテックスタートアップに挑戦する方、あるいは地方から世界を目指す方の一助となれば幸いです。
オススメの書籍
ゼロから作るDeep Learning ❶❷❸シリーズ
Pythonを使ってディープラーニングの仕組みをゼロから実装していく名著シリーズ。特に❸の「フレームワーク編」では、音声認識や時系列データ処理も扱っており、超聴診器のような音響信号処理AIの基礎を理解するのに最適です。数式の理論だけでなく、実際にコードを書いて学べる点が、エンジニアにとって非常に実践的です。
機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践
生データからAIモデルに投入する特徴量を作成する技術を解説。超聴診器が心音の生データから異常を検出するために、どのような特徴量抽出を行っているかを理解する上で重要です。時系列データ、音響データの前処理技術も詳しく説明されており、医療データ分析に直接応用できます。
ディジタル音響信号処理入門: Pythonによる自主演習
音響信号処理の理論と実践を体系的に学べる専門書。FFT（高速フーリエ変換）、スペクトル解析、ノイズ除去など、超聴診器が20Hz以上の音域を正確に取得・処理するために必要な技術の基礎が詰まっています。信号処理エンジニアとして医療AI分野に進む際の必読書です。
つくりながら学ぶ！PyTorchによる発展ディープラーニング
画像認識、物体検出、異常検知、自然言語処理など、実践的なディープラーニングの実装を学べる一冊。特に「異常検知」の章は、超聴診器が正常な心音と異常な心音を判別する仕組みの理解に直結します。PyTorchを使った実装例が豊富で、医療AI開発に必要な技術スタックを習得できます。
医療AIとディープラーニングシリーズ 医用画像ディープラーニング入門
医療分野でのディープラーニング応用に特化した技術書。画像が中心ですが、医療データ特有の課題（データ量の少なさ、アノテーションの難しさ、規制対応）への対処法が詳しく解説されており、音響データを扱う場合にも共通する知見が得られます。PMDA承認を見据えた開発プロセスの理解にも役立ちます。
Discussion