AI診断・医療DX category
AI（人工知能）によるがんの画像診断は、画像の中の見落としたくない候補に印を付け、医師の確認を支える技術です。病名を決めるのは医師で、印が付いた段階でがんと確定するわけではありません。
精度は、だれと比べたか、どんな集団で確かめたかで変わります。見落としを減らす助けになる一方、がんでない影にも印が付いて追加の検査が増える面もあるので、数字の高さだけでは判断できません。
内視鏡やCTなど検査ごとの使われ方と、医療AIを使う検査で医師に尋ねたい点を順に整理します。
目次Outline
AI画像診断は候補に印を付けて医師を支える
画像から病変らしい部分を拾うのがAIの支援です。その候補を示す「印」は医師が見る画面の上に枠や色で出るもので、患者さんが直接見るとは限りません。
印の確認から追加検査の判断まで
AIが1枚の画像を評価するのに対し、医師は症状や過去の画像も合わせて判断します。印はがんの確定を意味せず、詳しく調べる必要があるかを決めるのは医師です。
医師が画像を読み取って判断する作業を「読影」と呼びます。AIがん診断の現状を知るには、検査を受ける施設が読影のどの場面でAIを使っているかを確かめ、研究段階の機能と分けて捉える必要があります。
「医師を上回る」AIの精度は何を比べた数字？
胸部X線では肺の結節を見つける力がAIのほうが高かったとする検証がある一方、実際の診療の集団で試すと成績が大きく下がった報告もあります。
比較相手と検証した集団を確かめる
精度を見る際は、がんを拾える割合と、がんでないのに印が付く割合を分けて確かめます。また、画像だけを読む条件と、過去の画像や診療情報も使える条件では、比べている診断の範囲が違います。
ニュースで精度の数字を見たときは、対象者の選び方や、学習に使った施設以外での成績も判断材料です。数字を見るときに確かめる点を整理します。
- 比較相手 … 医師単独、AI単独、医師とAIの併用のどれか
- 対象者 … 検診を受ける人か、すでに病気を疑う人か
- 検証場所 … 学習に使った施設以外でも確かめたか
- 追加の負担 … がんでない候補や再検査がどれだけ増えたか
見つかる数と受ける人の利益を分ける
病変の候補を多く拾う設定では、がんではない影にも印が付き、追加検査や結果を待つ負担が増える場合があります。見落としの減少だけでなく、不要な検査をどれだけ避けられるかも、受ける人に関わる精度の一面です。
大腸のポリープ検出支援でも、発見数の増加と、将来のがんや死亡を減らす利益は別に評価する必要があります。長期的な利益と害の試算には、なお不確かさが残る段階です。
内視鏡から病理まで検査ごとに異なるAIの補助
AIが扱う対象は、検査中の映像から撮影済みの画像や組織の標本までさまざまです。前立腺のMRIでも、医師の読影にAIの支援を加える使い方が検証の対象となっています。
| 検査 | AIの補助 | 医師が決める内容 |
|---|---|---|
| 大腸内視鏡 | ポリープ候補を知らせる | 詳しい観察や切除の要否 |
| マンモグラフィ | 疑わしい部分やがんの疑いの強さを示す | 画像の判定と精密検査の要否 |
| 胸部CT | 肺の結節候補を拾う | 経過観察や追加検査の要否 |
| 病理検査 | 標本の画像でがんが疑わしい場所を示し、大きさや数を測る | がんの有無や性質の判定 |
検診では病変の発見と読影を補助
AI内視鏡によるがん検出では病変の発見数の増加、AIマンモグラフィの読影では医師の負担軽減が期待の対象です。一方、がんではない候補も増えると、医師の確認作業や、検診を受ける人の追加検査が増える場合があります。
精密検査では肺の影や組織の確認を支援
肺がん診断に使うCT画像解析や病理診断では、多くの画像から確認する場所を絞る助けが期待できます。一方、過去のCT画像との比較や、病理標本を画像にする準備など、施設が診療に組み込むために整える作業も必要です。
AIを使う検査で医師に尋ねたいこと
受診時には、AIを使ったかだけでなく、結果をだれが確かめ、何を根拠に次の検査を勧めたのかを尋ねてよいのです。不安があれば、その内容も医師に伝えましょう。
導入の有無だけで施設を評価しない
説明を受ける際は、「画像のどの部分を確認しましたか」「追加検査で何を確かめますか」と聞くと、自分の結果に即した話になります。機械に任せきりではないかという不安も、医師がどこで関わったかを確かめるきっかけです。
施設には、設備や費用に加え、AIの結果を医師が見直す手順も必要です。AIを使えるのは大腸内視鏡や胸部の画像など一部の検査なので、自分が受ける検査での使い方を施設に確認できます。
リスク予測や創薬のAIは画像診断と別の用途
将来のがんのなりやすさを推定する技術と、新薬の候補を探す技術は、今ある病変を探す画像診断とは別です。どちらも研究や検証の途中の部分が大きく残っています。
予測する対象と検証の段階を確かめる
がんのリスク予測は、対象期間内のなりやすさを確率で示すもので、発症を決める予言ではありません。検診の受け方を判断する材料にするなら、例えば乳がんの予測を他のがんにも当てはめず、対象と検証の範囲を医師と確かめます。
AI創薬による候補は、人で安全性と有効性を確かめる治験を経て承認の判断に進むため、すぐ診療に使える薬とは別です。がんのリスク予測を検診に生かす場合も、治験・未承認薬を検討する場合も、検証の段階が選択に関わります。
画像や診療記録をデータで扱う医療DXとAI
医療DXは、検査画像や診療記録をデータとして扱い、診療の受け方や情報の流れを整える取り組みです。AIによる画像の評価も、その一部に当たります。
情報の共有範囲と同意を確かめる
医療DXの例には、別の病院で撮った画像を紹介先でも見られるようにするデータ連携があり、診療に必要な情報の共有に役立ちます。個人情報をどこで保管し、だれと何の目的で共有するのか、同意の範囲を説明時に確かめるのが大切です。
よくある質問
AI画像診断で異常がなければ、がんの心配はありませんか？
異常の候補が出なくても、がんを完全に否定できるわけではありません。AIが探す対象や画像に写る範囲には限界があるため、症状が続く場合は結果だけで受診をやめず、検査を受けた医療機関へ症状と経過を伝えてください。
AIを使わない検査を希望できますか？
AIを使わずに検査を受けられるかは、検査の種類や施設の運用によって異なります。予約時に希望と気になる理由を伝え、自分の検査でAIを使う場面や、使わない方法を選べるかを尋ねると、受診前に選択肢を確認できます。
AIを使うと検査の費用は変わりますか？
費用は、検査の種類や保険診療か自費の検診かによって異なるため、予約先への確認が必要です。AIの利用に追加料金があるかだけでなく、検査全体の自己負担額と、精密検査が必要になった場合の費用の扱いも尋ねるとよいでしょう。
結果の説明でAIの印を見せてもらえますか？
説明の際にAIの印を表示できるかは、施設の機器や診察室の環境によるため、画像を見ながら説明を受けたいと医師に伝えてみましょう。表示できる場合は、印が示す場所と医師が気になった場所が同じかを尋ねると、結果を理解する助けになります。
AI画像診断で使う画像は、そのまま学習にも使うのですか？
自分の画像を診断の補助に使うことと、AIの学習や研究に使うことは目的が異なり、同じ扱いとは限りません。実際の利用範囲は施設の説明で確かめ、研究利用の有無や外部への提供、同意の取り扱いについて尋ねるとよいでしょう。
References
Kwong, J. C. C., Khondker, A., Lajkosz, K., McDermott, M. B. A., Frigola, X. B., McCradden, M. D., Mamdani, M., Kulkarni, G. S., & Johnson, A. E. W. (2023). APPRAISE-AI Tool for Quantitative Evaluation of AI Studies for Clinical Decision Support. JAMA network open, 6(9), e2335377. https://doi.org/10.1001/jamanetworkopen.2023.35377
Yoo, H., Kim, K. H., Singh, R., Digumarthy, S. R., & Kalra, M. K. (2020). Validation of a Deep Learning Algorithm for the Detection of Malignant Pulmonary Nodules in Chest Radiographs. JAMA network open, 3(9), e2017135. https://doi.org/10.1001/jamanetworkopen.2020.17135
Marinovich, M. L., Wylie, E., Lotter, W., Lund, H., Waddell, A., Madeley, C., Pereira, G., & Houssami, N. (2023). Artificial intelligence (AI) for breast cancer screening: BreastScreen population-based cohort study of cancer detection. EBioMedicine, 90, 104498. https://doi.org/10.1016/j.ebiom.2023.104498
Lou, S., Du, F., Song, W., Xia, Y., Yue, X., Yang, D., Cui, B., Liu, Y., & Han, P. (2023). Artificial intelligence for colorectal neoplasia detection during colonoscopy: a systematic review and meta-analysis of randomized clinical trials. EClinicalMedicine, 66, 102341. https://doi.org/10.1016/j.eclinm.2023.102341
Twilt, J. J., Saha, A., Bosma, J. S., Padhani, A. R., Bonekamp, D., Giannarini, G., van den Bergh, R., Kasivisvanathan, V., Obuchowski, N., Yakar, D., Elschot, M., Veltman, J., Fütterer, J., Huisman, H., & de Rooij, M. (2025). AI-Assisted vs Unassisted Identification of Prostate Cancer in Magnetic Resonance Images. JAMA network open, 8(6), e2515672. https://doi.org/10.1001/jamanetworkopen.2025.15672
Viberg Johansson, J., Dembrower, K., Strand, F., & Grauman, Å. (2024). Women’s perceptions and attitudes towards the use of AI in mammography in Sweden: a qualitative interview study. BMJ open, 14(2), e084014. https://doi.org/10.1136/bmjopen-2024-084014
Liao, X., Yao, C., Jin, F., Zhang, J., & Liu, L. (2024). Barriers and facilitators to implementing imaging-based diagnostic artificial intelligence-assisted decision-making software in hospitals in China: a qualitative study using the updated Consolidated Framework for Implementation Research. BMJ open, 14(9), e084398. https://doi.org/10.1136/bmjopen-2024-084398
Halvorsen, N., Hassan, C., Correale, L., Pilonis, N., Helsingen, L. M., Spadaccini, M., Repici, A., Foroutan, F., Olav Vandvik, P., Sultan, S., Løberg, M., Kalager, M., Mori, Y., & Bretthauer, M. (2025). Benefits, burden, and harms of computer aided polyp detection with artificial intelligence in colorectal cancer screening: microsimulation modelling study. BMJ medicine, 4(1), e001446. https://doi.org/10.1136/bmjmed-2025-001446
Maiter, A., Hocking, K., Matthews, S., Taylor, J., Sharkey, M., Metherall, P., Alabed, S., Dwivedi, K., Shahin, Y., Anderson, E., Holt, S., Rowbotham, C., Kamil, M. A., Hoggard, N., Balasubramanian, S. P., Swift, A., & Johns, C. S. (2023). Evaluating the performance of artificial intelligence software for lung nodule detection on chest radiographs in a retrospective real-world UK population. BMJ open, 13(11), e077348. https://doi.org/10.1136/bmjopen-2023-077348
この記事を書いた人Wrote this article
前田 祐助医学博士 / 医師
慶應義塾大学医学部大学院にて、がんの発生メカニズム（発癌機構）や、慢性炎症と腫瘍の関係性に関する基礎研究に従事し、医学博士号を取得。 特に、胃がんにおける炎症微小環境の解析や、細胞シグナル伝達（COX-2/PGE2経路など）による腫瘍形成の研究において実績を持つ。 現在は、大学病院や研究機関で培った「根拠（エビデンス）に基づく医療」の視点を活かし、疾患の早期発見や予防医療の啓発活動を行っている。
【保有資格・所属】
医学博士（慶應義塾大学）/ 医師免許 / 日本内科学会 / 日本医師会認定産業医
