なぜEYE TELLは黒い瞳でも測れるのか — 多くのAIが青い瞳しか見えない中で

産業検査が医療検査へ — 黒い表面から黒い瞳へ

EYE TELLが瞳孔解析を実現する際、一つの根本的な課題に直面していました。それは、多くの医療AIが見落としていたシンプルだが深刻な問題です：暗い色の瞳では、従来のアルゴリズムが信号を見つけられないという現実です。

この困難に立ち向かえた背景には、創業チームの意外なキャリアがあります。トヨタ・ホンダの工場向けに品質検査AIを開発していた経験です。彼らが直面していたのは、一見すると医療とは無関係な問題でした：黒いゴム部品の中から、黒い傷（スクラッチやクラック）を検出することです。

黒地に黒を見つける — コンピュータビジョンの難題

なぜこれが難しいのか。標準的なコンピュータビジョンはコントラスト（明暗差）に依存します。白と黒なら簡単に区別できます。しかし黒い部品の表面に走る黒い傷は、コントラストがほぼゼロに近い。光学的には「ノイズの中にノイズを探す」ようなものです。

創業チームはこの課題を解決するため、低コントラスト環境で微妙な物理的変化を検出する専門的なアルゴリズムを開発しました。暗く見える表面であっても、そこには微細な反射率の変化、テクスチャの歪み、光の屈折の異なりが存在します。それらのシグナルを数学的に抽出し、増幅する手法です。

「黒いゴムの中から黒い傷を見つける技術を持っていた。黒い虹彩でシグナルを見つけるのも、数学的には同じアプローチなんだ。」

この転機は、医療への応用を考え始めたときに訪れました。

暗い虹彩という世界的な現実

欧米の医療AI企業の多くは、アイリス（虹彩）解析のトレーニングデータをヨーロッパ系人口で構築しています。結果として、彼らのモデルは青い瞳や薄い茶色の瞳を識別することに最適化されてしまいました。

しかし現実はどうか。世界人口の約95%が、暗い茶色か黒色の瞳を持っています。つまり欧米企業の標準的なアプローチは、グローバル人口の圧倒的多数を見落とすように設計されていたのです。これは技術的な不備ではなく、データセットの地政学的バイアスが生み出した盲点でした。

EYE TELLのアルゴリズムは、最初からこの現実を前提に設計されていました。暗い色素の瞳を「困難なケース」として後付けで対応したのではなく、暗い虹彩を主流として想定した最適化がなされていたのです。

真の競争優位とは何か

多くのテック企業は、処理速度や精度の数字で自らの優位性を説明しようとします。しかしEYE TELLの差別化は、より根本的なところにあります。それは「誰の眼を見るために設計されたのか」という問いです。

トヨタの工場で培われた、暗くコントラストの低い環境での検出技術。それがそのままアジア・アフリカ・中南米の患者層に適用される。これは偶然ではなく、技術的必然と市場現実の幸せな一致です。

早期発見という医療の価値は、その効果が万人に平等に届いてこそ成立します。肌の色や遺伝的背景によって検査精度が低下するデバイスは、むしろ健康格差を拡大させてしまいます。EYE TELLが暗い瞳でも測れるという事実は、単なる技術的話題ではなく、グローバル医療公正の問題でもあるのです。

予防医療のフロンティアは、先進国だけではなく、途上国・新興国にこそ広がっています。EYE TELLがそこで信頼される検査デバイスになるために、創業チームが工場で学んだ「暗さの中で光を見つける技術」は、欠かせない武器なのです。