医療画像解析AI

このレッスンで学ぶこと

このレッスンを終えると、医療画像解析AIが「何を」しているのか（検出・分類・セグメンテーション）を区別でき、X線・CT・MRIでの実際の使われ方と、性能評価を読むときの落とし穴を説明できるようになります。前のレッスンで触れた画像解析の層を、一段深く掘ります。

セクション1: 画像解析AIは「何を」しているのか

検出・分類・セグメンテーションの3タスクが左から右へ横一列に並ぶフロー図。各タスクに代表的な用途（肺結節・皮膚病変・腫瘍体積）が添えられている。 — 医療画像解析AIがやっていることは検出・分類・セグメンテーションの3種類に分けられ、製品を評価するときの基本的な見取り図になります。

医療画像解析AIがやっていることは、大きく三つに分けられます。ここを区別できると、製品の説明が読み解けます。

検出（detection）：画像のどこに異常がありそうかを見つける。例として、肺結節や脳出血の指摘。
分類（classification）：これは何か、良性か悪性かなどを判定する。例として、皮膚病変の良悪性判定。
セグメンテーション（segmentation）：臓器や病変の範囲を画素単位で塗り分ける。例として、腫瘍の体積測定や放射線治療の計画。

多くは畳み込みニューラルネットワーク（CNN）などの深層学習で、大量の画像から特徴を学びます。仕組みの細部より、「検出なのか、分類なのか、範囲を測るのか」を見分けられることが、評価の第一歩です。

セクション2: モダリティ別の使われ方

X線・CT・MRIの3モダリティが縦に並び、それぞれの主な用途と強みが横に展開される表形式の図。 — モダリティごとに向く課題が異なり、X線はトリアージ、CTは緊急スクリーニング、MRIは軟部組織の定量評価に適しています。

モダリティごとに、向く課題が違います。

X線：胸部X線の異常（結節、肺炎像など）の検出、骨折の検出。撮影枚数が多く、見落とし防止や読影の優先順位づけ（トリアージ）に向きます。
CT：腫瘍・出血・塞栓の検出、臓器や血管のセグメンテーション。救急での迅速なスクリーニング支援に使われます。
MRI：脳・脊髄・関節など軟部組織の解析。病変のセグメンテーションや定量評価に向きます。

研究としての代表的な到達点には、眼底写真からの糖尿病網膜症の検出（Gulshan, JAMA 2016。感度97.5%、特異度93.4%）、皮膚画像のがん分類（Esteva, Nature 2017）、網膜OCTからの紹介判断（De Fauw, Nat Med 2018）があります。いずれも限定された課題での成果である点に注意します。

セクション3: 「専門医並み」を鵜呑みにしない ── 外部検証という壁

「専門医並み」という大きなラベルの下に、どの集団で・誰と比べて・外部で検証されたかという3つの問いかけがチェックリスト形式で並ぶ図。 — 画像解析AIの性能数値を読むときは、集団・比較対象・外部検証の3点を必ず確かめる習慣が重要です。

画像解析AIの最大の落とし穴は、性能の数字をそのまま信じることです。

複数の研究をまとめたメタアナリシスは、深層学習の診断性能を医療従事者と「同等」と結論しました。しかし同時に、開発と異なる環境で検証（外部検証）した研究はごく一部で、報告の質も低いものが多い、と強く指摘しています（Liu, Lancet Digit Health 2019）。

注意

数字を読むときの3つの問い

画像解析AIの性能を見るときは、必ずこの3点を確認してください。

どの集団で測ったか：学習に使った施設・機器・患者層と、自院は同じか。
誰と比べたか：比較対象の読影医のレベルと人数。
外部で検証されたか：開発と別のデータで性能が確かめられているか。

学習時と違う病院・違う撮影条件・違う患者層では、性能が落ちうる（分布のずれ）。「専門医並み」は、多くが理想的な条件下の結果です。

セクション4: 現場での現実的な役割

医師とAIが横並びで示され、AIの3つの役割（第二の目・トリアージ・定量化）が放射状に広がり、矢印が医師の「最終判断」に向かって収束するハブ＆スポーク図。 — 画像解析AIは医師を置き換えるのではなく、第二の目・トリアージ・定量化として配置を変える道具であり、最終判断は医師が担います。

画像解析AIは、医師を置き換えるものではなく、配置を変える道具です。

第二の目：医師の読影に対して、見落としを拾う二人目として働く
トリアージ：緊急性の高い画像を先に回す優先順位づけ
定量化：体積や面積など、人が測ると手間のかかる数値を素早く出す

いずれも最終判断は医師が行います。そして、生成系の解剖図が構造を間違えるのと同じく、解析系のAIも分布のずれで誤ります。性能の確認と、自院での妥当性の確認は、導入のたびに必要です。

まとめ

このレッスンでは、画像解析AIを掘り下げました。やっていることは検出・分類・セグメンテーションの三つ。モダリティごとに向く課題が違う。研究では専門医並みの成果もあるが、外部検証の不足という共通の弱点があり、数字は「どの集団で・誰と比べて・外部で検証されたか」で読む。現場では第二の目・トリアージ・定量化として、最終判断は医師が担う前提で使います。

次のレッスンでは、臨床意思決定支援システム（CDSS）を扱います。

明日のアクション

自施設の放射線科・検査部門で画像解析AIが使われているか確認し、使われている場合は「どのモダリティか」「検出・分類・セグメンテーションのどれか」「外部検証や自院での妥当性確認が行われたか」を調べてみましょう。未導入なら、自分の専門領域で最もニーズの高い課題を一つ挙げ、それが三タスクのどれに当たるか整理してください。

参考文献

Gulshan V, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-2410. doi:10.1001/jama.2016.17216
Esteva A, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542:115-118. doi:10.1038/nature21056
De Fauw J, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24:1342-1350. doi:10.1038/s41591-018-0107-6
Liu X, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019;1(6):e271-e297. doi:10.1016/S2589-7500(19)30123-2