読影AIとは？仕組み・導入メリット・最新動向を医療現場の例とともに解説

読影AIとは

読影AIとは、X線やCT、MRIといった医療画像をAIで解析し、医師の読影を支援する仕組みです。AIの利用形態には「セカンドリーダー型」「ファーストリーダー型」などのように種類がいくつかあります。「セカンドリーダー型」は、まずは放射線科医が単独で読影を行い、その後にAIの結果を参照して読影を行う流れになります。また「ファーストリーダー型」は、はじめにAIが単独で画像解析を行い、正常と思われる画像を選別（トリアージ）し、医師が異常あり画像に集中できるようにする形式を指します。

現在の日本では、高齢化などに伴う医療ニーズの増大や検診に対する需要が増加しています。そして画像診断分野では、検査件数増加や画像の高精細化、大容量化が進んでいる反面、放射線科専門医をはじめとする診断医の不足による負担が大きくなっている点が、読影AIが登場した背景のひとつとされています。

読影AIが対応する主な画像と領域

胸部X線

胸部X線においては、肺結節や肺炎、胸水などの自動検出が行われており、健診の効率化に向けた導入が進められています。

CT（胸部・腹部・頭部）

臓器ごとの異常検出に用いられています。例えば腹部CTで臓器ごとの異常検出に用いられているほか、肺結節の検出や冠動脈CTにおける石灰化スコアリングや狭窄度の評価といったように、幅広く活用されています。

MRI（脳・整形領域）

脳MRI画像を解析することにより脳動脈瘤候補域の検出、肝細胞がんの診断支援、椎体骨折の良悪性鑑別などさまざまなところで用いられています。

乳腺領域（マンモグラフィ・エコー）

乳がんの早期検出にもAIが活用されています。マンモグラフィにAIを適用することによって、乳がんの可能性を示すしこりや石灰化を自動でマークするなどの形で使用されています。実際に、がん研有明病院とGoogleが共同研究によると、AIをセカンドリーダーとして活用し、読影の精度が向上することが確認されています。

読影AIの仕組み

ディープラーニング（CNN）

「CNN（Convolutional Neural Network：畳み込みニューラルネットワーク）」とは、いくつもの深い層を持つニューラルネットワークであり、主に画像認識の分野で用いられています。このCNNは「畳み込み層」や「プーリング層」など、いくつかの機能を備えた層を積み上げた形で構成されています。これらの層をいくつも重ね、画像内における細かい病変の特徴から全体的な構造まで段階的に自動学習することによって、画像分析や検出を可能にしています。

大量画像データによる学習

AIが医療画像を解析し医師の読影をサポートするには、大量の医療画像データによる学習が必要です。この学習を行うことによって、病気の兆候と考えられる微妙なパターンや異常を検出できるようになり、画像をもとにした診断精度・効率の向上などに繋げられます。

異常スコア・マーキングの表示手法

AIは医療画像を解析することによって異常の疑いがある部位を検出し、マーキングを行います。異常の可能性がある領域には、AIが確信度によって色分けしたヒートマップを重ねて表示することに加え、異常初見について確信度の最大値を数値で表示します。このことにより、医師は画像上の異常に対してどの程度注意を払うべきかを客観的に判断できます。

ラジオミクス（画像×非画像データ連携）

ラジオミクスは、「radiology（放射線医学）」に「-omics（多変数の網羅的情報を扱う科学）」を組み合わせた造語であり、放射線画像情報と非画像情報を統合して診断精度の向上を目指すものです。例えば、肺がんのラジオミクスにおいてはCT画像から肺がん領域を抽出した上で濃度や形状、テクスチャといった画像情報の抽出を行い、さらに遺伝子情報などを組み合わせる（マルチモーダル解析）などへの応用も進んでいます。

読影AIのメリット

診断精度の向上

AIの利用により、診断精度の向上が期待されています。医師が見落とす可能性があるような発見が難しい病変についても、AIによって検出できるケースもあると考えられています。前提として、事前に十分な学習が済んでいることが必要ですが、発見が難しいがんやサイズが小さい初期がんを見つける、といった可能性もあります。さらに、読影AIを医師とのダブルチェックに使用することによって診断精度の向上が期待できます。

業務効率化

医師の作業効率の向上も期待できます。業務効率化の例として、富士フィルム株式会社では医師の読影業務を支援するビューワ一体型読影レポートシステム「SYNAPSE SAI Report（シナプス サイ レポート）」を提供しています。こちらのシステムのオプションとして、CT読影レポートに記載された所見文と画像解析結果の矛盾について確認を行うほか、過去所見や症例の検索スピードを向上させるなど、医師の読影業務を支援する機能が提供されます。こちらの機能は、同社独自の自然言語処理技術を使用して開発されています。

このようにAIの利用によって作業が効率化され、新たにできた時間で複雑な症例などの診断に対応できる可能性もあります。さらに、労働環境の改善につながるといった点も期待されています。

早期発見

読影AIの活用によって、疾患の早期発見が期待できます。早い段階で疾患を発見できれば治療の選択肢が広がるため、予後の改善や死亡率の低減などにつながる可能性も考えられます。また、肺がんCTやマンモグラフィ検診などのスクリーニング検査でAIを活用することで見落としを減らし、早期発見率を向上させる上でも重要であるといえます。

ワークフロー改善

現在、一度読影を行った（一次読影）後、さらに他の医師がもう一度読影を行う（二次読影）を行うことで見落としを防いでいます。AIを導入することにより現在行われている二次読影ワークフローを維持したままクラウド上で複数名による読影が可能になります。

読影AIのデメリット・課題

精度のばらつき（例：8割前後の精度）

読影AIの診断精度は、学習に使用したデータ量や質に大きく依存します。中でも、まれな症例や疾患の場合には十分な学習ができない可能性もあり、精度が低下しやすいといえます。このような点から、実際に利用する前に可能な限り多くの学習データを準備し、読み込ませることが重要です。

責任の所在

読影AIを利用するにあたっては、責任の所在が明確ではない点もデメリットとして挙げられます。万が一AIによる誤診が発生した場合には、どこに責任の所在があるのかが不明確になる可能性が高いと考えられます。このような点から、倫理的な問題や法的な責任に関しては、ガイドラインや法整備が必要とされています。

導入コスト

AIの導入後、長期的に考えるとコストの削減が期待できるものの、導入時のコストが問題になりやすいといった面があります。また、院内で使用している画像管理システムや依頼送信端末との連携、読影レポートを院内のシステムに反映させるなどの連携も必要になるため、さまざまなコストが発生します。このような導入コストが課題となり、なかなか導入が行えないなどの状況も考えられます。

医師の受容性・習熟の問題

新しい技術への抵抗感や、現場へのAI導入によって医師のスキル低下を招くのではないか、といった懸念があるとされています。この点から、AIを効果的・安全に活用するには、医師や関連するスタッフへの教育やトレーニングが必要です。

法規制・認証（PMDA等）

急速に進歩するAI技術に対応するための、柔軟かつ適切な規制の枠組みが求められます。開発や検証、市販後の調査に関連する明確なガイドラインと、その内容の遵守を担保するための仕組みを構築することが大切です。

また、日本でAIを搭載した医療機器を市場投入するにあたっては、薬機法に基づきPMDA（独立行政法人医薬品医療機器総合機構）による審査を経て、厚生労働大臣による製造販売承認または第三者機関による認証を得ることが必要です。

読影AIの導入事例

ダブルチェック的に使用でき、医師の心理的な負担も軽減

愛媛県新居浜市の住友別子病院における導入事例です。同院では、CTをはじめとする画像検査が右肩上がりで増えていたものの、放射線科医3名で放射線治療やIVRを含め対応していました。このように読影業務への負担が大きくなっているといった背景から画像情報システムを導入して診療をサポートするとともに、自動解析で読影業務を支援するシステムを導入しています。導入により専門医に繋ぐための迅速な判断のサポートが期待できる点に加え、解析結果をダブルチェック的に使用でき、医師の心理的な負担の軽減にもつながっています。

幅広い診療科において教具関連の画像診断に活用

岡山県にある笠岡第一病院では、放射線科の負担を増やさずに院内全体の読影効率と読影精度を向上させるため、ディープラーニングを設計に活用した胸部X線画像病変検出ソフトウェアを導入しています。導入後は、幅広い診療科において胸部関連の画像診断に使用。実際に検出結果をもとに胸部CTによって精密に調べた結果、病変を確認した症例もありました。また、院内全体の読影能力の均てん化につながるとともに、ダブルチェックに近い役割を担うことによって、適切な判断や医師の心労負担軽減にも貢献している、と評価されています。

価格と使用感が決め手となりAI読影サービスを導入

東京都にある内科・循環器科においてAI読影サービスを導入した事例があります。こちらの医療機関では、胸部レントゲンのAI診断が普及しつつあることを認識していたものの、導入コストにより諦めていました。しかし月2万円で利用できるサービスがあると知り、トライアルを実施。その結果使用感が良く、さらにわからない部分があっても対応が良かったとのことです。「安価な導入価格」と「簡便な使用感」が導入の決め手となっています。

読影AIの導入プロセス

評価項目（精度・速度・認証・保守）

導入を検討する上では、読影の精度や速度を確認することに加えて、薬機法に基づく医療機器プログラムとしての認証や承認などを得ているかといった確認が必要となります。また、導入後の保守に関しても装置更新時の対応やセキュリティパッチの適用などについて確認を行います。

必要なインフラ（PACS連携、クラウド、オンプレ）

読影AIの導入にあたっては、インフラを整えることも必要になります。一般的にPACS（医療用画像管理システム）とはDICOM規格を用いて連携が行われます。そして配置の形態としては、院内サーバー型（オンプレミス型）またはクラウド型のいずれかから選択する形になります。

運用体制（医師教育、二重読影体制）

運用を行うにあたっては、医師に対してAIの特性や限界に関する教育やトレーニングの実施が求められます。また、実際の読影フローにおいては二重の読影体制を構築することが必要です。

まとめ

こちらの記事では、読影AIについて解説を行ってきました。

読影AIは、医療の質を向上し、業務の負担を大きく軽減するなどさまざまなメリットが挙げられますが、その反面精度や責任問題などの課題も明確です。医療現場におけるDXが加速する中、読影AIは今後の医療DXの中心領域として、その需要性を高めているといえます。

※外部サイトに飛びます。