AIの医療画像診断における役割：異常検出の早期化

医療におけるAIの周りの話題は今でも強いが、特に放射線科では強い。コンピュータ支援設計（CAD）の初期の頃を思い出せば、技術がどれだけ進化したかがわかる。ChatGPTのネイティブなら、AIがその全潜在能力を発揮するまでにまだ多くの作業が必要だと主張するかもしれない。両方の見解は正しい。この記事では、AIがものを検出するのがなぜ難しいか、AIの役割がどのように変化しているか、そして2025年以降に注目すべきトレンドについて調べる。

針を探すような検出：検出は難しい

疾患を早期に検出するのは難しい。疾患は放射線画像データで正常な外観からわずかな変化で始まることが多く、個体間の完全に正常な自然な変異性が非常に多いため、どの軽微な変化が真正に異常であるかを判断するのが非常に難しい。たとえば、肺結節は非常に小さなものから始まり、広がった肺疾患は簡単に見逃される組織の変化から始まる。

そこで、マシンラーニング（ML）が重要な役割を果たす。MLは、正常な変異性から疾患に関連する特定の変化を認識して区別することができる。正常な変異性には、個体の解剖学的差異、画像取得装置の技術的差異、または組織の外観の時間的変化などの異なる源がある。MLモデルを大量のデータで訓練する必要があるので、それらがこの変異性の表現を形成し、疾患を指す変化を識別できるようにする。

AIは異常を早期に検出するのを助けることができるか?

AIは、いくつかの方法で助けることができる。まず、がん、間質性肺疾患、心血管疾患などの疾患に関連する特定のパターンを画像データで認識することができる。可能な限り多様なデータで訓練することで、AIは初期診断のために重要な発見を堅固に検出することができる。また、画像全体を解析することで、医師の感度を高めるために疑わしい領域を強調して放射線科医を支援することができる。

次に、AIは人間が簡単に観察して報告できるものを超えた画像の特徴を使用することができる。肺がんの検出では、放射線科医は結節のサイズ、形状、カテゴリを評価して患者管理の次のステップを決定する。AIは、三次元の質感や結節の表面の微細な特徴を分析して、より信頼性の高い悪性度の判定を行うことができる。これは、患者管理に直接的な影響を及ぼす。たとえば、患者が生検を受けるかどうか、または随訪間隔の長さと頻度はどうなるかということである。

Adamsら（JACR）の研究では、胸部CTの偶発的な結節のガイドラインベースの管理をMLベースの分析と組み合わせることで、偽陽性を著しく減らすことができることが示された。これは、AIが結節を良性と判断した場合、不必要な生検の数が減り、AIが結節を悪性と判断した場合、治療までの時間が短縮されることを意味する。この場合、重要なのは、AIがガイドラインの除去を主張しているのではなく、ガイドラインとAIの結果を補完するように挑戦されていることを強調することである。ここで、MLスコアがガイドラインと確実に矛盾する場合、MLスコアに従う。そうでない場合、ガイドラインの指示に従う。将来的にもこのような応用例が見られるだろう。

三つ目、AIは患者における時間の経過に伴う変化を定量化するのを助けることができる。これもまた、適切な随訪のために重要である。現在のMLと医療画像分析のアルゴリズムは、同じ患者からの複数の画像を整列させることができる。これを「登録」と呼ぶ。つまり、異なる時間点で同じ位置を見られる。肺がんの場合、追跡アルゴリズムを追加することで、放射線科医が症例を開いたときに、肺内のすべての結節の全歴を提示することができる。特定の結節のために過去のスキャンを調べて正しい位置に移動する必要がなくなり、医師の作業がより快適になるはずである。

放射線科はAIのために進化する。質問は、どのように進化するか?

AIはいくつかの方向で急速に進化している。明らかなのは、臨床設定で堅牢に機能するモデルを構築するために、より多様で代表的なデータを収集していることである。これには、さまざまな種類のスキャナからのデータだけでなく、がんの検出を困難にする合併症に関するデータも含まれる。

データ以外に、ML方法の開発が進んでおり、精度が向上している。たとえば、1つの重要な研究分野は、生物学的変異性と画像取得の違いを分離する方法を探索している。別の研究分野は、MLモデルを新しいドメインに転送する方法を探索している。多モーダリティと予測は、放射線科が将来どのように変化するかについても示唆する2つの特に興奮する方向性である。精密医療では、統合診断は、治療決定のために放射線科、臨床検査、病理学、他の診断分野からのデータを使用することを目指す重要な方向性である。这些データをまとめて使用することで、個々のパラメーターよりも多くの情報を治療決定の参考にすることができる。これは、すでに腫瘍ボードでは標準的な慣行である。MLは将来的にもこの議論に参加することになる。この質問を提起する：MLモデルはこれらの統合データから何をするべきか？1つのことができるのは、将来的に起こり得る疾患や個人の治療反応を予測することである。これらを組み合わせると、治療決定を導く「もしも」の予測を作成することができる力を持つ。

2025年のトレンド：効率、品質、報酬の形成

臨床実践におけるAIを推進する要因は複数ある。2つの重要な側面は効率と品質である。

効率

AIは、放射線科医が仕事の重要で難しい側面に集中できるようにすることで、効率を高めることができる。AIは、臨床現場での重要で関連性のある情報を提供することで、または異常の検出やセグメンテーションのようなタスクを自動化することで、これを支援できる。これには、情報の取得がより迅速になり、疾患パターンのピクセルごとのセグメンテーションや体積測定などのタスクが研究から臨床実践に移行するという興味深い副作用がある。手動で大きなパターンをセグメンテーションすることは、多くの状況で完全に実行不可能であるが、自動化によってこの情報が臨床現場で利用可能になる。

品質

AIは仕事の品質に影響を与える。つまり、診断の精度、特定の治療の推奨、疾患の早期検出、または治療反応のより正確な評価を向上させる。これらは、各個人の患者にとっての利点である。現在、放射線科におけるAIの導入の健康経済学的影響を評価するために、これらの利点とシステムレベルの費用対効果との関係が調査されている。

報酬

AIの採用は、単に効率だけではなく、患者ケアとコスト削減への有形な貢献に対して認められ、報酬されるようになった。報酬制度への組み込みは、この変化を強調している。利点は、不必要な処置の削減や治療の迅速化など、当たり前のように思えるが、旅は長かった。最初の成功例が現れた今、AIの変革的な影響は明らかである。患者結果の改善とヘルスケアプロセスの最適化によって、AIは業界を変え、興奮する開発が予想される。

医療画像の将来を形成する

医療画像は根本的に変化している。精密医療、統合診断、分子診断技術の新しい技術は、治療の選択肢がますます複雑になる状況で治療決定を行うための手段を変えている。AIはこの変化の触媒であり、医師がさまざまなモダリティで捉えた特徴を統合し、治療反応に結び付けることを可能にしている。

しかし、これらのツールを大規模に採用するにはまだ時間が必要である。技術的な課題、統合の問題、ヘルスエコノミクスの懸念がある。私たちがすべて行うことができるのは、情報に基づいた患者になることである。私たちはすべて、医師にどのようなAIをテストしたか、または実践で使用しているか、そしてそれらのツールが医師の専門的経験と知識をどのように補完するかについて話すことができる。市場は需要に応じる。早期の正確な検出を需要すれば、AIが実現する。