目次
なぜ「ランダム化」がそれほど重要なのか
医療AIの世界では、「AIが医師と同等以上の精度を示した」という報告が毎月のように出ます。 ところが、その多くは過去に集めた画像を後から解析した研究です。 2020年にBMJへ掲載された系統的レビューは、医用画像の深層学習研究について 前向き研究とランダム化比較試験がほとんど存在せず、報告基準からの逸脱も多いと指摘しました。 比較対象になった医師の人数が少ないケースも珍しくありません。
なぜこれが問題なのか。後ろ向きの研究は「もし現場で使っていたら」を再現できないからです。 実際の検診では、読影者はAIの提示を見て判断を変えますし、疲労もあれば時間の制約もあります。 そして何より、比較したい相手（AIを使わなかった場合の同じ集団）は存在しません。
ランダム化比較試験（RCT）は、この問題を正面から解きます。 同じ集団を無作為に2つに分け、片方だけAIを使う。 分かれ道の先を両方見られる——これが医療でRCTが最上位の証拠とされる理由です。
💡 MASAI試験が「初」と呼ばれる理由
乳がん検診でAIを使う研究自体は多数ありますが、実際の検診プログラムの中で受診者をランダム化し、 AI併用と従来法を並行して比べた試験としては、MASAIが最初とされています （原著も「マンモグラフィ検診でのAI利用を検証した初のランダム化比較試験」と位置づけています）。 しかも規模が10万人を超え、次の検診までに見つかったがん（中間期がん）まで追跡しています。 医療AIの評価としては、現時点で最も強い部類の証拠です。
MASAI試験の設計
試験はスウェーデン・ルンド大学のグループが実施しました。 対象は同国4施設の乳がん検診を受ける40〜80歳の女性105,934人。 2021年4月から2022年12月にかけて登録し、除外19人を除いたAI支援読影群53,043人と標準の二重読影群52,872人を解析しています。追跡期間は2年です。
ここで注目したいのは、AIの使い方です。 「AIが読影して医師が確認する」のでも、「AIが医師を置き換える」のでもありません。
使われたのはTranspara（バージョン1.7.0）というシステムで、 1枚の検査に対して10段階の悪性リスクスコアを出します。そのうえで——
- スコア1〜9……放射線科医1名で読影（従来は2名）
- スコア10（最もリスクが高い層）……2名で読影
- いずれの場合も、AIが疑わしい箇所を画面上に提示（検出支援）
つまりAIは「どこに人手を厚く配分するか」を決める交通整理役を担っています。 スウェーデンをはじめ欧州の検診は2名の医師が独立して読む二重読影が標準で、 これが読影者不足の主因になっています。そこを削りにいった設計です。
結果①：検診で見つかるがんは29%増えた
まず、検診の場で発見されたがんの数です。 AI支援群338人に対し、標準の二重読影群262人。約29%多く見つかりました。
検診を受けた1000人あたりに直すと、6.4人対5.0人 （比1.29、95%信頼区間 1.09〜1.51、P = 0.0021）。統計的に有意な増加です。
そして重要なのは、この増加が偽陽性の増加を伴っていないことです。 偽陽性の割合は1.5%対1.4%（比1.01、95%信頼区間 0.91〜1.11、P = 0.92）で、実質的に変わっていません。
| 項目 | AI支援読影 | 標準の二重読影 |
|---|---|---|
| 検診で発見されたがん | 338人 | 262人 |
| うち浸潤がん | 270人 | 217人 |
| うち上皮内がん | 68人 | 45人 |
| がん発見率（1000人あたり） | 6.4（P = 0.0021） | 5.0 |
| 呼び戻し率 | 2.2%（有意差なし） | 2.0% |
| 偽陽性の割合 | 1.5%（P = 0.92） | 1.4% |
「精度95%」をどう読むかで書いたとおり、 検出を増やすだけなら簡単です。閾値を下げて「疑わしきは陽性」に振れば、見つかる数は必ず増える。 その代わり偽陽性が膨らみます。 偽陽性をほぼ据え置いたまま検出を29%増やしたという点に、この結果の価値があります。
結果②：読影の作業量は44%減った
2023年にThe Lancet Oncologyへ発表された中間安全性解析で約44%の削減が報告され、 参加者全体を対象とした解析でも同じ水準が確認されています。 読影回数はAI支援群61,248回に対し、標準の二重読影群109,692回。 差し引き48,444回少なく、44.2%の削減にあたります。 リスクの低い大多数を1名読影に振り分けた結果です。
この数字は、精度の話とは別の意味を持ちます。 欧州の検診が二重読影を維持できなくなりつつある背景には、放射線科医の不足があります。 同じ読影リソースで、より多くの検査を処理できる可能性があるなら、 それは検診プログラムそのものを維持する話になります。 精度の改善以上に、こちらが実装の動機になる可能性があります。 なお44.2%減はあくまで読影回数の削減であり、 読影1回あたりの所要時間や、AI支援群で増えたコンセンサス会議の負担までは含みません。
💡 「AIが読影する」わけではありません
削減されたのは2人目の読影であって、1人目の医師は全例を読んでいます。 研究者自身が「AI支援の検診には少なくとも1人の放射線科医が必要」と述べており、 この試験は医師をAIに置き換える設計にはなっていません。 報道で「AIが医師を代替」と読める見出しを見かけたら、この点を確認してください。
結果③：では中間期がんは減ったのか
ここからが本題です。検診で見つかるがんが増えただけでは、まだ「良い検診」とは言えません。
理由を説明します。検診で見つかるがんが増えたとき、可能性は2つあります。
- これまで見落としていたがんを拾えるようになった（本当の改善）
- 放っておいても症状を出さなかったがんまで見つけている（過剰診断）
この2つを見分ける鍵が中間期がんです。 中間期がんとは、検診で「異常なし」とされた後、次の検診までの間に症状が出て見つかるがんのこと。 多くは前回の検診時点で見落とされていたものです。
もし①（見落としを拾えた）なら、中間期がんは減るはずです。 逆に中間期がんが減らないまま検出だけ増えているなら、②の可能性が濃くなります。 だから中間期がんは、検診の有効性を評価するうえで重要な指標のひとつとされます。実際、MASAI試験はこの中間期がん率を主要評価項目に据えていました。
結果はこうです。
| 項目 | AI支援読影 | 標準の二重読影 |
|---|---|---|
| 中間期がん | 82人／1.55（1,000人あたり） | 93人／1.76（1,000人あたり） |
| 比（AI ÷ 標準） | 0.88（95%信頼区間 0.65〜1.18） P = 0.41 | |
数字だけ見れば12%低い。多くの報道はここを見出しにしました。 しかし、この結果は2つに分けて読む必要があります。 この試験は「非劣性試験」として設計されているからです。
💡 非劣性試験とは
「新しい方法が従来より優れていること」を示す試験（優越性試験）に対し、 「従来より一定以上は悪くない」ことを示すのが非劣性試験です。 MASAI試験は中間期がん率を主要評価項目とし、あらかじめ「20%を超えて悪化しない」という非劣性マージンを設定していました。 読影の負担を大幅に減らす方法を導入するとき、まず問われるのは「見落としが増えないか」——だからこの設計になっています。
⚠ 「12%減」の正確な読み方
① 非劣性は示されました。95%信頼区間の上限は1.18で、
あらかじめ定めた非劣性マージン1.20を下回っています。
つまりAI支援読影の中間期がん率が、標準の二重読影より20%を超えて悪化することはない——これが原著の主要な結論です。
② 一方で「減った」（優越性）は示されていません。信頼区間が1.0（差がない）をまたいでおり、P値も0.41です。
「本当は35%減っているかもしれないし、逆に18%増えているかもしれない」という幅が残っています。
「12%減った」でも「効果がなかった」でもありません。
正確には——読影の負担を44%減らしても、見落としが増えないことは確かめられた。ただし見落としが減ったとまでは言えない。
この違いは実装を考えるうえで決定的です。もし非劣性すら示せていなければ、 「作業量は減るが見落としが増えるかもしれない方法」ということになり、導入は正当化できません。 非劣性が示されたからこそ、44%の負担軽減が意味を持ちます。 そのうえで「見落としまで減らせるか」は、より長い追跡と症例の積み上げを待つことになります。 中間期がんは1,000人に1〜2人という稀な事象で、優越性の判定には10万人でも足りない可能性があります。
本当に有意だったのは「感度」だった
では、この試験で統計的にはっきり示されたことは何でしょうか。感度の改善です。
感度は80.5%（95%信頼区間 76.4〜84.2）対73.8%（68.9〜78.3）、P = 0.031で、統計的に有意な差がつきました。 この改善は年齢や乳房の濃度によらず一貫していたと報告されています。 一方特異度は両群とも98.5%（95%信頼区間 98.4〜98.6、P = 0.88）で、統計的な差は認められませんでした。
この2つを並べると、MASAI試験が示したことがはっきりします。
偽陽性率を有意に増やすことなく、がんを見つける感度を高めた。
⚠ 「呼び戻し率」と「偽陽性率」は別の指標
混同されやすいので分けて書きます。 呼び戻し率（精密検査に呼ばれた人の割合）は2.2%対2.0%で、 AI支援群のほうが約8%高い数字でした。 ただし統計的に有意な差ではありません。 一方偽陽性率（呼び戻したものの、最終的にがんではなかった人の割合）は 1.5%対1.4%（比1.01、P = 0.92）で、実質的に変わっていません。
つまり正確には、「呼び戻しがまったく増えなかった」のではなく、 「増えたとしてもわずかで、統計的に有意とは言えなかった」。 検診は健康な人が大多数を占めるため、 わずかな呼び戻しの増加でも実人数では小さくありません。 ここは「増えていない」と言い切らずに読むべき箇所です。
感度と特異度は通常トレードオフの関係にあります。片方を上げれば、もう片方が下がる。 それを片側だけ動かしたのがこの結果です。 単に判定の閾値を下げただけなら特異度が落ちるはずで、そうなっていません。 AIを組み込んだ読影ワークフロー全体として、同程度の特異度を保ちながら感度が向上した——ここまでが、この試験から言えることです。 ただしこれは特異度という指標の上で「同程度」だったという意味であり、 前述のとおり呼び戻し自体はわずかに増えています。
💡 感度80.5%という数字の意味
ここでの感度は「検診で見つかったがん ÷ すべてのがん（検診発見＋中間期）」です。
AI支援群では420人のがんのうち338人（80.5%）が検診で見つかり、残り82人は次の検診までの間に見つかりました。
最良の条件でも2割は検診をすり抜ける——検診の限界を示す数字でもあります。
なお原著によれば、この感度の改善は浸潤がんでは認められた一方、上皮内がんでは認められませんでした。
指標の考え方はこちらの記事で詳しく扱っています。
見出しが伝えないこと — 上皮内がん51%増の意味
「29%多く見つかった」の内訳を、もう一度見てください。
- 浸潤がん：270人 対 217人（+24%）
- 上皮内がん（DCIS）：68人 対 45人（+51%）
増加率が大きいのは上皮内がんのほうです。 上皮内がんは乳管の中にとどまっている段階のもので、 その一部は生涯にわたって症状を出さないまま経過すると考えられています。 どれが進行し、どれがしないかを、現在の医学は事前に見分けられません。
ここが過剰診断の論点です。 見つけたこと自体は事実ですが、見つけたすべてが患者の利益とは限らない。 治療には手術・放射線・内分泌療法が伴い、その負担は実在します。
ただし、「AIが過剰診断を増やした」と結論するのは早すぎます。 原著によれば、増えた上皮内がんのおよそ半分は高グレード（進行しやすいと考えられるもの）で、 最も低いグレードIの増加は認められませんでした。 過剰診断の懸念が大きいのは低グレードのほうなので、この内訳は懸念をいくらか和らげる方向の情報です。
⚠ 「多く見つかった＝良い」ではない
検診の評価が難しいのは、発見数の増加が、利益と不利益の両方を含みうるからです。 中間期がんが有意に減っていれば「見落としを拾えた」と言えますが、今回はそこが有意になっていません。 検出の増加分がどちらに属するのかは、まだ確定していない——これが2026年時点での正確な理解です。
なお、中間期がんの性質については、AI支援群のほうが良い方向の数字が並んでいます。 以下はいずれも「中間期がんのうちの内訳」（AI支援群対標準の二重読影群）です。 浸潤がん75対89、大きさがT2以上（20mm超）のもの38対48、 予後が悪い非luminal Aタイプ43対59。 ただしこれらも症例数が少なく、決定的な証拠ではありません。
💡 混同注意：同じ「T2以上」でも母集団が違う
上の38対48は中間期がんのうちT2以上だった数です。 これとは別に、検診で発見されたがんのうちT2以上だったものは 44対48で、こちらはほぼ同数でした。 数字が似ているので取り違えやすい箇所です。
ここが読みどころです。AI支援群は検診での発見数が29%多いのに、 大きいがんの発見数は増えていない。 つまり増えた分の大半は小さいがんだったと読めます。 早期発見という意味では望ましい方向ですが、 小さいがんの増加は過剰診断の議論とも直結するため、 この一点だけで良し悪しを決めることはできません。
この試験の限界
研究チーム自身が挙げている限界を、そのまま整理します。
| 限界 | なぜ効いてくるか |
|---|---|
| 単一の国 | スウェーデン1か国。検診制度も受診率も国ごとに違う |
| 単一の装置・単一のAI | 1機種のマンモグラフィ装置と1つのAI。他製品で同じ結果が出る保証はない |
| 読影者の経験 | 中〜高経験の放射線科医。経験の浅い読影者では結果が変わりうる |
| 人種・民族データなし | 集団による性能差を検証できない |
| 追跡2年・1ラウンド | 長期の死亡率や、複数回の検診を重ねた効果は未確認 |
2つ目が特に重要です。AIの性能は製品ごとに違います。 「MASAIでAIが有効だった」は「どのAIでも有効」を意味しません。 これは医用画像AIの技術記事でも触れた、 分布シフトの問題と地続きです。装置が変われば入力画像の性質が変わります。
日本の検診にそのまま持ち込めるか
最後に、この結果を日本の文脈で読むとどうなるかを整理します。結論から言えば、そのまま持ち込める種類の結果ではありません。理由は2つあります。
1つ目は、この試験の効果が「読影体制」に紐づいていることです。 MASAI試験が削減したのは「2人目の読影」でした。 裏を返せば、この効率化がどれだけ効くかは、その検診が何人で読んでいるかに完全に依存します。 二重読影を行っている環境なら削減の余地は大きく、体制が違えば同じ設計を持ち込んでも意味が変わります。 AIをどの工程に差し込むかは、まず自分たちの運用を確認してから決める話だということです。
2つ目は規制です。日本で医療機器としてAIを使う場合、プログラム医療機器（SaMD）としての承認の範囲・使用目的・添付文書の記載が、実際の使い方を規定します。 論文で示された使い方と、承認された使い方が一致しているとは限りません。 論文の結果が、そのまま臨床の運用になるわけではない——ここは製品ごとに確認が必要な部分です。
💡 それでも、この試験が変えたこと
制度が違っても、MASAI試験が示した事実は残ります。 適切に設計されたAI支援なら、偽陽性を有意に増やさずに感度を上げ、同時に人手を減らせる—— これが10万人規模のRCTで示されたのは初めてです。 医療AIの議論は、これまで「精度は何%か」に集中してきました。 ここから先は「どの工程に、どう差し込むか」という設計の議論に移っていくはずです。
医療AIの評価指標を、手を動かして理解する
この記事に出てきた感度・特異度・中間期がんの考え方は、実際にコードで計算してみると腹落ちします。ブラウザだけで動くPython学習プラットフォームを無料で公開しています。環境構築は不要です。
まとめ
- MASAI試験はマンモグラフィ検診でのAI利用を実際の検診プログラム内で評価した初のRCT。スウェーデンで105,934人をランダム化
- AIは読影を置き換えず、リスクに応じて読影の人数を振り分ける設計（Transpara v1.7.0）
- 検診で見つかったがんは29%増（338対262）。偽陽性率はほぼ据え置き（1.5%対1.4%、P = 0.92）
- 読影の作業量は44%減
- 感度は80.5%対73.8%（P = 0.031）で有意に改善。特異度はどちらも98.5%で変化なし
- 中間期がんは非劣性が示された（比0.88、95%CI 0.65〜1.18／上限が非劣性マージン1.20を下回る）。ただし「減った」という優越性は示されていない（P = 0.41）
- 増加分には上皮内がん+51%が含まれ、過剰診断の論点は未解決
- 限界：単一国・単一装置・単一AI・追跡2年。他のAI製品に一般化はできない
医療AIのニュースを読むとき、「何%上がった」の隣にある信頼区間とP値まで見る。 そしてその指標が、患者にとって何を意味するのかを問い直す。 MASAI試験は、その練習台としても優れた題材です。
今後は複数回の検診を重ねた効果、長期の予後、そして費用対効果が焦点になります。 「AIは効くのか」から「どう組み込めば効くのか」へ——議論の軸が移った、その分岐点にある試験だと言えます。
📚 参照した論文（2026年9月10日時点）
① 最終結果（中間期がん・感度・特異度）
Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study. The Lancet, 2026.
doi:10.1016/S0140-6736(25)02464-X
② 検診成績とがんの性質
Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI). The Lancet Digital Health.
doi:10.1016/S2589-7500(24)00267-X
③ 中間安全性解析（読影負荷44%減）
Lång K, et al. Artificial intelligence-supported screen reading versus standard double reading in the MASAI trial: a clinical safety analysis. The Lancet Oncology, 2023; 24(8): 936–944.
doi:10.1016/S1470-2045(23)00298-X
④ 医用画像AI研究の質に関する系統的レビュー
Nagendran M, et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies in medical imaging. BMJ, 2020.
doi:10.1136/bmj.m689
試験登録：ClinicalTrials.gov NCT04838756
※本記事は上記の公表論文およびLancet・研究機関の公式発表にもとづく解説です。図表はすべて公表された数値をもとに当サイトが独自に作成したもので、原著の図の転載ではありません。 本記事は特定の検査・治療・製品を推奨するものではなく、診断や治療に関する助言でもありません。 検診の受診判断については、医療機関にご相談ください。数値は執筆時点の公表内容にもとづきます。