SSII2026 [OS3-3] 医用画像処理における人-AI協働の最新事例と課題

Transcript

1. SSII 2026 医用画像処理における 人-AI協働の最新事例と課題 2026.6.12 キム ワンジク（産業技術総合研究所）
2. 2 医療ｘAI ⚫AIと人が完全に置き換わることがない職業のひとつ ⚫ここしばらくは、AI活用が進んでも、必ず医師が最終的な判断を下す ⚫すなわち、AIは医師の判断を助けるための道具・情報でしかない ⚫いかにAIを使いこなして、患者・医師を助けることができるのかが重要
3. 3 日本での実臨床でのAI活用 FUJIFILLMのホームページより引用 （https://brand.fujifilm.com/sekai-hitotsuzutsu/contents/endoscopyai/） オリンパスのプレスリリースより引用 （https://prtimes.jp/main/html/rd/p/000000036.000049310.html） AIメディカルサービスのホームページより引用 （https://www.gastroai.com/） アイリスのホームページより引用 （https://nodoca.aillis.jp/) エルピクセルのプレスリリースより引用 （https://eirl.ai/ja/news/2023/08/21/3000/)
4. 4 米国FDAが承認したAI/ML対応医療機器の年別累計数の推移 JAMA Netw Open. 2025 Nov 7;8(11):e2542338. doi: 10.1001/jamanetworkopen.2025.42338
5. 5 最新の米国FDAが承認したAI/ML対応医療機器の件数 https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices 1451 件 うち 1104 件 うち 350 件 （2026年1月1日時点） 1016件（2024年12月20日時点） 692件（2023年10月19日時点） （2025/1/1~2025/12/31の直近1年間の登録数） （放射線科領域）
6. 6 FDA承認1451件の診療科内訳 （2026年1月1日更新） 放射線科領域への偏りが著しい
7. 7 国内でのPMDAが承認したAI医療機器の承認件数 PMDAホームページ情報から抽出 https://www.pmda.go.jp/review-services/drug-reviews/review-information/devices/0018.html 57 件 （2026年3月3日時点） 放射線科＆循環器内科＆消化器内視鏡 領域に集中 （X線、CT、超音波） （心電図、スマートウォッチ） （胃カメラ、大腸カメラ）
8. 8 PMDAが承認した画像診断AI医療機器の内訳 画像診断医療機器は47件 CT,X線,消化器内視鏡 が多い傾向
9. 9 現状における実臨床へのAI応用の課題 学習用の質の良い教師データを大量に集めることができるかどうか 質の良い 大量 画質が良い 正確なラベル 情報の均一性 検査数 症例数 医師の負担 さらに企業が開発するには、 市場規模が重要な要素 ⚫高精度のAI（深層学習）を構築するためには… ⚫医療に当てはめると…
10. 10 論文数の傾向 ⚫PubMed（世界約70カ国、約5,000誌以上の文献を検索できる医学・生物学 文献データベース）登録の論文数推移 1 10 100 1000 10000 100000 1000000 1869 1892 1899 1931 1934 1939 1943 1946 1949 1952 1955 1958 1961 1964 1967 1970 1973 1976 1979 1982 1985 1988 1991 1994 1997 2000 2003 2006 2009 2012 2015 2018 2021 2024 WORLD JAPAN 国内AI医療機器57件 2020年以降の国内累計論文数 の0.2%程度の数
11. 11 身近な話をすると ネットワーク構造A ネットワーク構造B 対象データセット 学習レシピC 学習レシピB 学習レシピA うまく組み合わせたら/この発想を導入したら、 精度が数パーセント上がるかも！
12. 12 そこで例えば Images from pixabay 20％テイド ネコヲ イヌト コタエマス
13. 13 では例えば Images from ‘Color model comparative analysis for breast cancer diagnosis using H&E stained images’ 陽性 悪性 20％テイド アクセイヲ ヨウセイト コタエマス • 単なるクラスA、Bの認識ではない。 • 対象によって考えるべきことが異なる。
14. 14 ベンチマークと実応用の距離感 ベンチマークの世界 • 総合スコアにて活発な競争 • 統一されて公正な評価の壇上で戦う世界 Imagenet-1k MS COCO SQuAD KITTI 強いモデル すごいモデル SOTAモデル 成果物 実応用先 特殊条件 ラベルAの見逃しは絶対許されない 特殊条件 現場で回すのでノートパソコン限定 特殊条件 データ数が十数枚程度しか集められない 強いモデル SOTAモデル すごいモデル
15. 15 実応用先の例 ⚫画像認識 ‒ ベンチマーク：動物、植物、交通手段など ‒ 実応用：悪性・陽性、悪性度 ⚫画像セグメンテーション ‒ ベンチマーク：電車、車、動物など ‒ 実応用：病変など ⚫物体検出 ‒ ベンチマーク：人、看板、交通手段など ‒ 実応用：幼児の気道、病変など
16. 16 医療画像解析による医用AIモデルの例 幼児の声門認識モデル • 幼児麻酔のための気管挿管は、秒を争うタスク • MIoUが少し低くても、大体あっていれば（医者の 手掛かりになるに十分であれば）問題ない 腹腔鏡操作支援モデル • 手術する際に、環境理解を助けるための認識問題 • 比較的に間違っても良いクラスと、致命的なものが 存在する ！！Caution！！ 血などが苦手な方はご注意ください。
17. 17 人-AI協働モデルの課題 ⚫基礎的な状況を仮定 医療データセット AIモデル 推定結果 データセットで定められた正解 損失計算 バックプロパゲーション ① ② ③ ④ バックプロパゲーション
18. 18 ①データセットに関して 医療データセットの収集 ⚫症例が少ない ‒ 検査数、健診数に大きな差がある ‒ 希少疾患データの入手は難しい ⚫倫理審査が必須 ‒ データ取得から、保管まで、厳しく管理する必要がある 国立がん研究センター院内がん登録症例集計2023
19. 19 ①データセットに関して 朝日新聞、2026年2月10日 https://www.asahi.com/articles/ASV2B2475V2BUTFL00KM.html
20. 20 ②真値とはなにか アノテーション問題 ⚫付けられたラベルが間違っている ‒ ImageNet-1kも6%は間違っている（NeurIPS2021） ‒ もし、がんデータセットの6%が間違ったとしたら？ ⚫何を信じるべきか ‒ 観察者内に変動がある ➢体調、ストレス、などで同一人物でも、時間によって異なるラベルを付ける ‒ 観察者外に変動がある ➢経歴、経験、などで医師同士でも、異なるラベルを付ける
21. 21 ③モデル選定 モデル構築問題 ⚫タスクにおける許容処理速度の違い ‒ 比較的に時間が使える病理診断支援 ‒ リアルタイム性が求められる手術・処置支援 ⚫現場における構築可能なハードウェア制限 ‒ 病院の外に出せないデータであれば、院内で学習まで行うことになる ‒ 電気などの設備、コスト的に導入できるスペックに制限がある
22. 22 ④推定結果をどう扱うか 閾値問題 ⚫出力に求められる厳密さ ‒ 結果を柔軟に変えられるものは、認められない 体調がすぐれているので デフォルトの0.5でいい 業務が重なってしまって、普段より疲れている 0.3とかで、検出漏れをなくす 万が一、 誰かが０にしたら？ １にしたら？
23. 23 連携が大事です • 医療データ収集 • 倫理審査 • データ整理 • アノテーション信頼度評価 • 運用環境にあわせた手法選定 • 設置/利用可能なセンサー特定 • 出力の出し方設計
24. 24 最新研究紹介 ⚫M Watanabe, W Kim, K Uehara, H Nosato, H Sakanashi, ‘Noisy Labeled Data Classification via Adaptive Model Integration,’ Asian Conference on Pattern Recognition, 2025 ⚫観察者外の変動を抑えるために、①各回答者を再現するAIモデルを作り、 ②各々の問題に対してモデルごとの信頼度評価を行って、③信頼度ベース 平均で出力を決める
25. 25 最新研究紹介 ⚫S Tsuchio, W Kim, K Uehara, M Watanabe, H Nosato, H Sakanashi, ‘Adversarial Ensemble Knowledge Distillation for Robust Pathological Image Classification under Label Noise,’ IEEE Engineering in Medicine and Biology Society, 2026 ⚫ラベルが間違っていることを想定し、妨害モデルを加えることでロバスト性 を上げる
26. 26 最新研究紹介 ⚫W Kim, B Takimoto, M Sato, S Ito, H Nosato, ‘Estimating Transepidermal Water Loss from Smartphone Facial Images using Self-Supervised Features and a Mixture Density Network,’ Medical Informatics Europe, 2026 ⚫専用測定器ではなく、スマートフォンカメラ画像とAIでTEWLの推定に成功
27. 27 最新研究紹介 ⚫S Yamamoto, W Kim, K Uehara, H Nosato, H Sakanashi, ‘Pathological Image Diagnosis Using Unsupervised Segmentation and Class Label Integration,’ IEEE Engineering in Medicine and Biology Society, 2026 ⚫病理画像の診断に役立つアテンションマップ、クラス間の類似度を教師な しで推定し、「診断に必要な画像内特徴や類似症例」を自動生成
28. 28 最新研究紹介 ⚫R Shigehisa, S Yamamoto, W Kim, H Nosato, A Ikeda, H Fukuhara, S Fukata, K Inoue, ‘Pathological Characteristics and Cause-specific Diagnostic Accuracy of a Deep Learning Model for False-positive Photodynamic Diagnosis of Bladder Cancer,’ American Urological Association, 2026 ⚫AIで専門医に匹敵する検出精度を達成
29. 29 まとめ ⚫背景：ベンチマークと実応用の距離感 ‒ 医療分野では対象によって考えるべきことが異なり、汎用的な精度向上だけでは不十分 ‒ 実応用には特殊条件（見逃し不可、ハードウェア制限、少数データ等）が存在 ⚫人-AI協働における4つの課題 ‒ ①データセット：症例の偏り・希少疾患の入手困難さ・倫理審査の必要性 ‒ ②真値の信頼性：アノテーション誤り・観察者内/観察者間の変動 ‒ ③モデル選定：タスクごとの処理速度要件・現場のハードウェア制限 ‒ ④推定結果の扱い：閾値設定の厳密さ・運用上のリスク管理 ⚫医療機関と研究機関・企業の連携が不可欠