医用画像AI入門｜CT・MRI・X線の画像診断AIは現場でどう使われているか

画像診断AIとは？CADeとCADxの違い

画像診断AI（Computer-Aided Detection/Diagnosis）とは、CT・MRI・X線などの医用画像をAIが解析し、医師の診断を支援するシステムです。「AIが診断する」という表現がメディアでは多用されますが、現時点では「AIが医師をサポートする」というのが正確な位置づけです。最終的な診断の責任は、あくまで医師にあります。

画像診断AIには大きく2つのカテゴリがあります。CADe（Computer-Aided Detection）は、画像中の「病変の候補領域」を検出・マーキングするAIです。たとえば、胸部CT画像から肺結節の候補をハイライトしたり、マンモグラフィから乳がんが疑われる領域を指し示したりします。医師が見落とす可能性のある小さな異常を拾い上げる「セカンドオピニオン」的な役割です。

一方、CADx（Computer-Aided Diagnosis）は、検出した病変の良悪性を判別したり、疾患名の候補を提示したりと、より踏み込んだ診断支援を行います。たとえば、肺結節が検出された場合に「悪性の可能性が高い」「良性の可能性が高い」といった確率を算出して医師に提示するイメージです。

モダリティ別：AI活用の現在地

CT（コンピュータ断層撮影）

CT領域はAI活用がもっとも進んでいるモダリティの一つです。特に胸部CTでは、肺結節の検出AIがすでに複数の製品で実用化されています。スライスごとに数百枚にのぼるCT画像を医師がすべて目視で確認するのは大きな負担ですが、AIが事前にスクリーニングすることで見落としリスクを低減できます。

また、AIを活用した撮影条件の最適化も注目されています。患者の体型に応じて放射線量を自動調整したり、撮影範囲の過不足（オーバースキャン）を防止したりする技術は、被ばく低減に直結するためインパクトが大きい領域です。さらに、低線量CTのノイズをAIで除去して高画質化する再構成技術も、すでに臨床で広く使われ始めています。

MRI（磁気共鳴画像）

MRIは撮影時間の長さが課題ですが、AIによるアンダーサンプリング再構成によって、撮影時間を大幅に短縮しながらも画質を維持する技術が実用化されています。従来30分かかっていた検査が15分程度に短縮される事例も報告されており、患者の負担軽減と検査効率の向上に貢献しています。

頭部MRIでは、脳の各部位を自動セグメンテーションして体積を計測し、正常データベースと比較して萎縮の程度を定量化するAIが登場しています。認知症の早期発見やフォローアップに活用されており、経験の少ない医師でも客観的な評価が可能になります。

X線（単純撮影・マンモグラフィ）

胸部X線は日本でもっとも撮影件数の多い検査であり、AIによる異常検出のニーズが高い領域です。肺炎、気胸、心拡大などの異常所見をAIが検出し、医師にアラートを出す製品が複数実用化されています。

マンモグラフィ（乳房X線）では、AIが微細な石灰化や腫瘤の候補を検出し、見落としの防止に役立っています。乳がん検診はダブルチェック（2人の医師による読影）が推奨されていますが、読影医不足の現状ではAIがそのギャップを埋める存在として期待されています。

国内で薬事承認されている主な製品

日本ではPMDA（医薬品医療機器総合機構）が医療AIの薬事承認を管轄しています。AI搭載の医療機器はSaMD（Software as a Medical Device）として審査され、2024年時点で放射線領域を中心に数十製品が承認されています。以下に代表的な製品を紹介します。

EIRL（エイル） — エルピクセル

国産の画像診断AIプラットフォームで、胸部X線の異常検出、脳MRIの動脈瘤検出など複数のプログラムがPMDA承認を取得しています。CT・MRI・X線と複数モダリティに対応しているのが特徴です。

AI-Rad Companion — シーメンスヘルスケア

胸部CT画像から肺結節の検出・計測、大動脈径の測定などを自動で行うAIソフトウェアです。読影レポートの下書き生成にも対応しており、医師の業務効率化に寄与しています。

MaestroAI — NTTデータ（※記事作成時点では未承認）

腹部CT画像から各臓器を自動セグメンテーションし、異常所見の有無を判定（トリアージ）、異常箇所の位置特定、異常分類の3段階で読影を支援するAIです。大動脈瘤の検出・経過観察支援にも対応しています。

画像診断AIは現場をどう変えたか

画像診断AIの導入が進んでいる医療機関では、いくつかの具体的な変化が報告されています。

1つ目は読影の効率化です。日本はCT・MRIの検査件数が世界的に見ても多い一方で、読影を担当する放射線科医の数は十分とは言えません。AIが事前にトリアージ（緊急度の高い症例を優先表示）することで、限られたリソースを効率的に配分できるようになっています。

2つ目は見落としの防止です。特に夜間や休日など、医師の集中力が低下しやすい場面でAIのダブルチェック機能が力を発揮します。ある研究では、AIの併用により放射線科医の異常検出感度が有意に向上したことが報告されています。

3つ目は被ばく量の低減です。低線量CTのノイズ除去AIや、撮影パラメータの自動最適化AIにより、患者の被ばく量を減らしながら診断に耐えうる画質を維持できるようになりました。これは特に、定期的に検査を受ける患者にとって大きなメリットです。

導入の壁と残る課題

画像診断AIは着実に進歩していますが、広く普及するにはまだいくつかの課題があります。

コストと既存システムとの統合

AI製品の導入には、ソフトウェアのライセンス費用に加えて、既存のPACS（医用画像管理システム）やRIS（放射線情報システム）との連携が必要です。病院のIT基盤によっては統合に時間とコストがかかるため、導入のハードルになっています。特に中小規模の医療機関では、費用対効果の見極めが重要です。

データの偏りと汎化性能

AIの学習データに偏りがある場合、特定の患者群や撮影条件では精度が低下する可能性があります。たとえば、欧米のデータで学習されたAIを日本の患者に適用した場合、体格差や疾患の分布の違いから期待通りの精度が出ないケースも報告されています。国内の臨床データで追加学習（ファインチューニング）を行うことで改善できますが、データ収集と個人情報保護のバランスが課題です。

説明可能性（XAI）への要求

AIが「なぜその判定を下したのか」を医師に説明できるかどうかは、臨床現場での信頼獲得に直結します。ブラックボックス型のAIに対する不信感は根強く、Grad-CAMなどのヒートマップで判断根拠を可視化する技術の重要性が高まっています。当サイトの説明可能AI（XAI）の解説ページでも詳しく紹介しています。

画像診断AIを理解するために学ぶべきこと

画像診断AIの技術的な背景を理解するには、ディープラーニングの基礎知識が不可欠です。特に以下の分野は、画像診断AIの中核技術として頻繁に登場します。

CNN（畳み込みニューラルネットワーク）は、画像認識の基盤となるモデルです。CT・MRI画像の分類や異常検出はほぼすべてCNNベースで動いています。CNNの詳しい解説はこちらをご覧ください。

セマンティックセグメンテーションは、画像内の各ピクセルを臓器や組織ごとに分類する技術で、臓器の自動認識や病変領域の正確な輪郭抽出に使われています。セグメンテーションの解説ページも参考にしてください。

物体検出は、画像中の特定の領域（たとえば肺結節）をバウンディングボックスで囲んで検出する技術です。CADeの多くはこの物体検出アルゴリズムをベースにしています。物体検出の解説ページで詳しく学べます。

これらの技術はE資格やG検定の試験範囲にも含まれています。画像診断AIに関わりたい方は、資格取得を通じて体系的に学ぶのがおすすめです。

まとめ

医用画像AIは「医師を代替する技術」ではなく、「医師の診断精度と効率を高めるパートナー」として着実に臨床現場に浸透しています。CT・MRI・X線のそれぞれで、異常検出、セグメンテーション、画質改善、被ばく低減といった多角的な活用が進んでおり、今後さらに適用範囲は広がっていくでしょう。

一方で、コスト、データの偏り、説明可能性などの課題も残されています。画像診断AIを適切に活用するためには、AIの仕組みと限界を正しく理解できる人材——つまり「医療とAIの両方がわかる人材」が不可欠です。

当サイトでは、E資格対策やG検定対策を通じて、画像診断AIの技術的な基盤となるCNN・セグメンテーション・物体検出などを体系的に学べるコンテンツを公開しています。医療×AIの分野に興味がある方は、ぜひ活用してください。