AI画像診断とは？精度・薬機法・導入プロセスを体系的に解説【2026年版】

AI画像診断とは、人工知能技術を用いてX線・CT・MRI・内視鏡などの医療画像を解析し、病変の検出や診断を支援する技術です。医師の「目」を代替するものではなく、見落としを防ぎ、読影効率を高めるための支援ツールとして、国内の医療現場で急速に実用化が進んでいます。

グローバルの医用画像AI市場は2025年時点で約75億ドル規模に達し、2030年には200〜260億ドル規模へ拡大すると複数の調査機関が予測しています（Mordor Intelligence「AI in Medical Imaging Market」2025年版、Panorama Data Insights 2023年版など）。国内でもPMDA（医薬品医療機器総合機構）が承認したAI搭載プログラム医療機器は数十件に達し、大腸内視鏡や胸部X線を中心に臨床現場での活用が広がっています。

本記事では、AI画像診断の技術的な仕組みから精度データ、薬機法・PMDA承認制度、導入プロセス、法的責任の整理まで、医療機関がAI画像診断の導入を検討する際に必要な情報を体系的に解説します。

この記事で分かること

• AI画像診断の仕組みと3つの運用形態（セカンドリーダー/コンカレント/ファーストリーダー）
• 領域別の精度データ（感度・特異度・AUC-ROC）と限界
• 薬機法のクラス分類とPMDA承認プロセスの詳細
• 承認済みAI医療機器の対象部位×機能マトリクス
• 法的責任の3層構造（医師・開発者・施設）
• PACS連携を含む5ステップ導入ガイド

AI画像診断とは

AI画像診断は、コンピュータが医療画像を自動解析して病変候補を検出・分類する技術の総称です。その歴史は1990年代のCAD（Computer-Aided Detection/Diagnosis）に遡りますが、2010年代後半のディープラーニングの進展により、精度と実用性が飛躍的に向上しました。

CADからディープラーニングへの進化

従来のCADシステムは、エンジニアが手動で設計した特徴量（形状・テクスチャ・輝度パターンなど）に基づいて病変を検出していました。しかし、手動設計の特徴量には限界があり、偽陽性（本来は正常なのに異常と判定する）が多いという課題を抱えていました。

2012年にAlexNetがImageNetの画像認識コンペティションで圧倒的な成績を収めて以降、ディープラーニング（深層学習）を用いたアプローチが主流になりました。ディープラーニングでは、AIが大量の医療画像データから特徴を自動的に学習するため、人間が設計するよりも複雑で精緻なパターン認識が可能になります。現在のAI画像診断の多くは、CNN（畳み込みニューラルネットワーク）やTransformerアーキテクチャをベースにしています。

3つの運用形態

AI画像診断は、臨床現場での運用形態によって以下の3つに分類されます。

セカンドリーダー型。医師がまず読影を行い、その後にAIの解析結果を確認する方式です。医師の判断が先にあるため、AIへの過度な依存を防ぎつつ、見落としのダブルチェックとして機能します。現在の日本国内では、この運用形態が最も一般的です。

コンカレント型。医師の読影とAIの解析を同時に行い、結果を照合する方式です。医師とAIが独立して判断するため、両者の不一致をフラグとして検出できるメリットがあります。

ファーストリーダー型。AIが先に画像を解析し、病変候補を検出した画像を医師に優先的に提示する方式です。大量のスクリーニング検査を効率的に処理できますが、AIの見落としリスクがあるため、導入には慎重な検討が必要です。

医療AI活用事例の全体像では、画像診断以外のAI活用（問診自動化、カルテ要約など）も含めた医療機関向けの実践ガイドを解説しています。

AI画像診断の対象領域と活用事例

AI画像診断の対象は、胸部X線やCTから内視鏡、病理、眼底まで多岐にわたります。各領域で実用化されている具体的な活用事例を紹介します。

胸部X線・CT

胸部画像は、AI画像診断の実用化が最も進んでいる領域のひとつです。

肺結節検出。胸部X線画像から肺がんの疑いがある結節影を検出するAIは、複数の製品がPMDA承認を取得しています。コニカミノルタの「CXR Finding-i」は2024年の改良版で結節・腫瘤影の検出感度84%・特異度88%を達成しました。12名の医師を対象とした読影実験では、AI併用時のFOM（診断精度指標）が0.756から0.878へ統計的有意に向上し、医師の読影感度も平均75%から89%へ14ポイント改善したことが報告されています（コニカミノルタ プレスリリース, 2024年10月25日）。

COVID-19肺炎解析。CT画像からCOVID-19肺炎の可能性を評価し、病変領域をマーキング表示するAIも承認されています。CESデカルトの「InferRead CT Pneumonia」は2020年6月に承認を取得し、パンデミック時のトリアージに活用されました。肺炎の浸潤範囲を定量的にスコアリングする機能により、重症度の客観的評価が可能になります。

肋骨骨折検出。救急外来で見落とされやすい肋骨骨折をCT画像から自動検出するAIも実用化されています。富士フイルムの「SYNAPSE SAI viewer」の肋骨骨折検出機能が代表的です。胸部外傷の患者に対して、読影漏れのリスクを低減する効果が期待されています。

消化器内視鏡

大腸内視鏡検査におけるAI活用は、日本が世界をリードしている分野です。

大腸ポリープ検出・鑑別。オリンパスの「EndoBRAIN」シリーズは、大腸ポリープの検出から腫瘍性の鑑別までをリアルタイムに支援します。PMDA承認時の性能評価試験では、病変検出における感度96.0%・特異度98.0%を達成しています（PMDA承認情報, 2018年12月）。改良版の「EndoBRAIN-EYE」ではPMDA承認時の評価で感度が98.33%まで向上し、5mm以下の微小ポリープに対しても感度98.04%・特異度93.07%という高い精度を実現しています（PMDA承認情報, 2020年1月）。

胃がん・食道がん検出。AIメディカルサービスが開発した胃内視鏡用AIは、胃がんの早期発見を支援します。同社は国立がん研究センターとの共同研究に基づき、約25万枚のがん画像を学習データとして活用しています。

2024年度の診療報酬改定では、大腸内視鏡検査中にAI検出プログラムを併用してポリープを発見し切除した場合の加算が新設されており、経済的にもAI導入の追い風となっています。

病理画像・眼底画像・その他の領域

病理画像解析。組織切片のデジタル画像をAIが解析し、がん細胞の有無や悪性度の判定を支援します。乳がんのリンパ節転移検出や、前立腺がんのGleasonスコア判定など、病理医の診断を補助する製品が登場しています。病理診断は専門医の絶対数が不足しており、1人の病理医が年間数千件の症例を処理するケースも珍しくありません。AIによるスクリーニング支援は、病理医の負担軽減と診断の標準化に貢献する技術として注目されています。

眼底画像解析。糖尿病網膜症のスクリーニングにAIを活用する取り組みが進んでいます。眼底カメラで撮影した画像をAIが解析し、要精密検査の対象者を自動判定します。糖尿病が強く疑われる者は日本国内で約1,000万人と推計されており（厚生労働省「国民健康・栄養調査」2016年）、定期的な眼底検査の実施率向上が課題です。AIを活用した一次スクリーニングにより、眼科医が不足している地域でも早期発見の機会を確保できます。

咽頭画像解析。アイリス株式会社が開発した「nodoca」は、咽頭画像からインフルエンザ感染の特徴を検出するAIとして、日本で初の「新医療機器」区分での承認を取得しました。鼻腔拭い液を採取する従来の迅速検査キットとは異なり、咽頭の画像撮影で判定するため、患者の身体的負担が少ないことが特徴です。発症初期でもウイルス量に依存しない判定が可能な点で、従来法を補完するアプローチとして注目を集めています。

乳房画像解析。マンモグラフィ画像をAIが解析し、乳がんの疑いがある石灰化や腫瘤影を検出する技術も実用化が進んでいます。乳がん検診の読影は2名の医師によるダブルチェックが標準ですが、AIをセカンドリーダーとして活用することで、読影効率の向上と見落とし防止の両立が期待されています。

脳卒中画像解析。脳MRI・CT画像から脳梗塞や脳出血の領域を自動検出し、発症からの時間経過を推定するAIの研究も進んでいます。「time is brain（時間が脳を救う）」と言われる脳卒中治療において、迅速な画像解析は治療判断のスピードアップに直結します。

AI画像診断の技術的な仕組み

AI画像診断を支える技術は、主にCNN（畳み込みニューラルネットワーク）をベースとした深層学習です。ここでは、医療機関の導入担当者が押さえておくべき技術的な基礎を解説します。

CNN（畳み込みニューラルネットワーク）の基本

CNNは、画像認識に特化したニューラルネットワークの一種です。画像を入力として受け取り、畳み込み層で局所的な特徴（エッジ・テクスチャ・形状など）を段階的に抽出し、最終的に「正常」「異常」などの判定を出力します。

医療画像に適用する場合、一般画像で事前学習したモデル（ResNet、EfficientNetなど）を基盤として、医療画像データで追加学習（ファインチューニング）する手法が主流です。これにより、医療画像のデータ量が限られている場合でも、高い精度を実現できます。

セグメンテーション・物体検出・分類タスク

AI画像診断のタスクは、大きく3種類に分類されます。

分類（Classification）。画像全体を「正常」「異常」に分類するタスクです。胸部X線のスクリーニングなどで使用されます。

物体検出（Object Detection）。画像内の病変の位置をバウンディングボックスで特定するタスクです。肺結節の検出やポリープの検出で使用されます。

セグメンテーション（Segmentation）。病変の領域をピクセル単位で特定するタスクです。腫瘍の体積測定やCOVID-19肺炎の浸潤範囲の定量化などで使用されます。

学習データとアノテーションの重要性

AI画像診断の精度は、学習データの質と量に大きく依存します。学習データの作成には、専門医が画像上の病変に正確なラベル（アノテーション）を付与する必要があり、この作業は高度な専門知識と膨大な時間を要します。

一般的に、高精度なAI画像診断モデルの構築には数万枚以上の学習データが必要とされ、データの偏り（特定の人種・年齢・機器メーカーに集中するなど）は精度低下の原因となります。この課題を解決するため、AMEDの支援のもと、複数の医療機関の画像データを統合する国家的な医用画像データベース整備の取り組みが進められています。

AI画像診断の精度と限界

AI画像診断を導入検討する際、最も重要な判断材料となるのが精度データです。ここでは、精度を正しく理解するための基礎知識と、領域別の精度比較、そして知っておくべき限界を解説します。

感度・特異度・AUC-ROCの読み方

AI画像診断の精度は、主に以下の3つの指標で評価されます。

感度（Sensitivity）。実際に病変がある画像のうち、AIが正しく「異常」と判定した割合です。「見落とし率」の逆数に相当します。感度が高いほど、見落としが少ないことを意味します。

特異度（Specificity）。実際に正常な画像のうち、AIが正しく「正常」と判定した割合です。特異度が低いと偽陽性が増え、不要な精密検査が増加します。

AUC-ROC。感度と特異度のトレードオフを1つの数値で表す指標です。0.5が完全にランダムな判定、1.0が完全な判定を意味します。一般的に、AUC 0.9以上で「優秀」、0.8以上で「良好」と評価されます。

領域別の精度比較

領域	代表的製品	感度	特異度	出典
大腸内視鏡（病変検出）	EndoBRAIN	96.0%	98.0%	PMDA承認情報, 2018年
大腸内視鏡（微小病変）	EndoBRAIN-EYE	98.33%	93.07%	PMDA承認情報, 2020年
胸部X線（結節影）	CXR Finding-i	84%	88%	コニカミノルタ プレスリリース, 2024年10月
大腸内視鏡（浸潤癌鑑別）	EndoBRAIN	91.8%	97.3%	PMDA承認情報

この表の数値は、各製品の臨床試験・性能評価試験における結果です。実際の臨床環境での精度は、撮影条件や患者集団によって変動する可能性があります。

精度の限界と注意点

AI画像診断の精度が高いからといって、盲目的に信頼してはなりません。以下の限界を理解しておく必要があります。

学習データの偏りによるバイアス。特定の撮影機器や患者集団で学習したAIは、異なる条件下で精度が低下する可能性があります。導入時には、自院の機器・患者層でのバリデーション（検証）が推奨されます。

希少疾患への対応。学習データに十分な症例が含まれない希少疾患については、検出精度が低くなる傾向があります。

偽陰性のリスク。いかに感度が高くても100%ではありません。AIが「正常」と判定した画像でも、最終的には医師の判断が不可欠です。セカンドリーダー型の運用が推奨されるのは、この理由によります。

画像品質の影響。撮影条件（体位、息止め、造影剤の注入タイミングなど）や撮影装置のメーカー・機種の違いにより、同じ部位でも画像の見え方は大きく異なります。学習時と異なる条件で撮影された画像に対して、AIの精度が保証されない場合があります。導入時には、自院の標準撮影プロトコルでの性能検証が重要です。

薬機法とPMDA承認制度

AI画像診断は医療機器として薬機法（医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律）の規制対象です。医療機関が導入する際には、PMDA承認を取得した製品を選定することが大前提となります。

プログラム医療機器（SaMD）の定義とクラス分類

AI画像診断ソフトウェアは、「プログラム医療機器（SaMD: Software as a Medical Device）」に分類されます。ハードウェアの医療機器とは異なり、ソフトウェア単体で医療機器として規制される点が特徴です。

薬機法では、医療機器をリスクに応じて4つのクラスに分類しています。

クラス	リスク	規制	AI画像診断の該当例
I	極めて低い	一般医療機器（届出）	—
II	比較的低い	管理医療機器（認証/承認）	画像表示・計測補助
III	比較的高い	高度管理医療機器（承認）	病変検出・診断支援
IV	高い	高度管理医療機器（承認）	治療計画支援

大部分のAI画像診断ソフトウェアはクラスII〜IIIに該当し、PMDAによる承認（または第三者認証機関による認証）が必要です。

承認プロセスと市販後調査

PMDA承認を取得するためには、以下のプロセスを経る必要があります。

開発前相談。製品コンセプトの段階でPMDAに相談し、必要な臨床データや試験デザインについて助言を受けます。AI医療機器の場合、学習データの質・量・偏りに関する情報も求められます。

性能評価試験。開発したAIの感度・特異度等の性能を、独立したデータセットで評価します。臨床試験（前向き試験）が求められる場合もあります。

承認審査。PMDAが提出された資料を審査し、有効性と安全性を評価します。審査期間は一般的に6〜12カ月程度です。

市販後調査（PMS）。承認後も、実際の臨床現場での安全性・有効性データの収集が義務付けられています。

継続的学習型AI（CLAI）の規制課題

AI特有の課題として、「継続的学習型AI（CLAI: Continuously Learning AI）」の規制があります。従来の医療機器は承認時の仕様が固定されますが、AIは運用中にデータを学習して性能が変化する可能性があります。

現行の薬機法では、AIの性能が「承認時と同等以上」であることを担保する仕組みが求められています。PMDAは科学委員会内に「AIを活用したプログラム医療機器に関する専門部会」を設置し、CLAIの規制のあり方について継続的に議論を進めています（PMDA科学委員会, 2023年）。

主要な承認済みAI医療機器

国内でPMDA承認を取得した主要なAI画像診断製品を、対象部位と機能で整理します。

対象部位	機能	製品名	企業名
大腸（内視鏡）	ポリープ検出	EndoBRAIN-EYE	オリンパス
大腸（内視鏡）	腫瘍性鑑別	EndoBRAIN	オリンパス
大腸（内視鏡）	ポリープ検出	CAD EYE	富士フイルム
胸部X線	結節影検出	EIRL X-ray Lung nodule	エルピクセル
胸部X線	結節・浸潤影検出	CXR Finding-i	コニカミノルタ
胸部X線	結節・腫瘤検出	CXR-AID	富士フイルム
胸部CT	COVID-19肺炎解析	InferRead CT Pneumonia	CESデカルト
胸部CT	肋骨骨折検出	SYNAPSE SAI viewer	富士フイルム
咽頭	インフルエンザ検出	nodoca	アイリス

この表は主要な承認済み製品の一部です。PMDAの公式サイト「プログラム医療機器の承認等情報」ページで最新の全リストを確認できます。富士フイルムは肺結節、COVID-19肺炎、肋骨骨折など複数領域で承認を取得しており、画像診断AI分野で最多の製品ラインナップを展開しています。

導入メリットとROI

AI画像診断の導入は、医療の質の向上と経営効率の改善の両面でメリットをもたらします。

読影効率の向上と医師の負担軽減

放射線科医の読影業務は年々増加しています。CT・MRIの検査件数は増加傾向にある一方で、放射線診断専門医の数は十分に増えていません。日本の放射線診断専門医は約5,600名（日本医学放射線学会, 2024年時点）ですが、年間の画像検査件数は数億件に達しており、1人あたりの読影負荷は極めて高い状態です。AI画像診断をセカンドリーダーとして活用することで、1件あたりの読影時間を短縮し、より多くの検査を処理できるようになります。正常画像のトリアージをAIが担うことで、医師は異常所見のある画像の精読に集中できるようになります。

見落とし率の低減と医療安全の向上

読影の見落としは、医療訴訟の主要な原因のひとつです。AI画像診断は、医師が見落としやすい微小な病変や、見慣れない部位の異常を検出する「安全網」として機能します。前述のCXR Finding-iの読影実験でも、AI併用により医師の読影感度が14ポイント向上するなど、見落とし防止の効果が実証されています。

地方医療・夜間救急での活用

放射線診断専門医が不在の地方病院や、夜間救急の場面でAI画像診断は特に価値を発揮します。専門医の読影を待たずに、AIが即時的なスクリーニングを行うことで、緊急度の高い症例を迅速にトリアージできます。遠隔読影サービスとAI画像診断を組み合わせることで、地方の中小病院でも都市部の大学病院に近い読影体制を構築できる可能性があります。医療格差の是正という社会的な意義も大きい技術です。

診療報酬と経営への影響

2024年度（令和6年度）の診療報酬改定では、AI画像診断に関連する以下の変更がありました。

画像診断管理加算3・4の施設基準へのAI要件追加。施設基準として「人工知能関連技術が活用された画像診断補助ソフトウェアの適切な安全管理を行っていること」が新たに要件に含まれました。

内視鏡AI併用時の加算。大腸内視鏡検査中にAI検出プログラムを併用してポリープを発見・切除した場合の保険点数加算が設定されました。

これらの改定により、AI画像診断の導入は診療報酬上の加点にもつながる可能性があり、投資回収の観点からも検討する価値があります。

導入プロセスとPACS連携

AI画像診断の導入は、製品を購入して終わりではありません。既存の医療情報システムとの連携や、運用体制の構築を含む包括的なプロセスが必要です。

5ステップ導入ガイド

Step 1: 診療科別ニーズアセスメント

• どの診療科で、どのような画像のAI解析が必要か整理する
• 読影件数・見落とし率・読影待ち時間などの現状指標を把握する
• AI導入で解決したい課題を優先順位付けする

Step 2: PMDA承認製品の選定

• 対象部位・機能が自院のニーズに合致する承認済み製品を調査する
• デモ環境での試用や、他院の導入事例のヒアリングを行う
• 自院の撮影機器との互換性を確認する

Step 3: PACS連携の技術検証

• AI画像診断ソフトウェアと既存のPACS（医用画像管理システム）の連携方法を検証する
• DICOM規格への対応状況、ネットワーク帯域、レスポンス時間を確認する
• オンプレミス型かクラウド型かの選択を行う
• オンプレミス型は院内ネットワークで完結するためレスポンスが速く、患者データの外部送信が発生しない利点がある。一方、クラウド型は初期費用を抑えられ、AIモデルの更新が容易だが、データ送信に関する患者同意と通信セキュリティの確保が必要になる

Step 4: 運用トレーニング

• 放射線科医・臨床医にAIの出力結果の解釈方法をトレーニングする
• AIの限界を理解し、過信しない運用ルールを策定する
• セカンドリーダー型の運用フローを文書化する

Step 5: 効果測定とPDCA

• 導入前後の読影時間・見落とし率・偽陽性率を比較する
• 定期的にAIの性能をモニタリングし、劣化がないか確認する
• 運用上の課題を収集し、改善サイクルを回す

AI導入の進め方ガイドでは、業界横断的なAI導入のフレームワークとPoC止まりを防ぐための実践的な手法を解説しています。

法的責任と倫理的課題

AI画像診断の導入にあたって、最も議論が活発なのが「AIが誤った判断をした場合、誰が責任を取るのか」という問題です。

責任の3層構造

AI画像診断における法的責任は、以下の3つの層で整理できます。

第1層: 医師の注意義務。医師法第17条により、「医業」（診断・治療）を行えるのは医師のみと定められています。AI画像診断は法的にはあくまで「診断支援ツール」であり、最終的な診断・治療方針の決定責任は医師が負います。AIの判定結果を鵜呑みにして誤診が発生した場合、医師の「注意義務違反」として過失責任が問われる可能性があります。

第2層: 開発者の製造物責任。AI画像診断ソフトウェア自体に「欠陥」（アルゴリズムの設計ミス、学習データの重大な偏りなど）があった場合、製造物責任法（PL法）の適用が議論されています。ただし、プログラム（無体物）がPL法の「製造物」に該当するかは現時点で確定した判例がなく、法的な解釈が定まっていない領域です。なお、AI搭載ハードウェア（画像解析機能を組み込んだ内視鏡装置など）の場合は、ハードウェアと一体としてPL法の対象になり得ると考えられています。日本医師会の生命倫理懇談会も「医療AIの加速度的な進展をふまえた生命倫理の問題」（2022年3月答申）において、医療AIの責任の所在に関する法整備の必要性を提言しています。

第3層: 施設の管理責任。医療機関には、導入したAI画像診断の適切な運用管理の責任があります。適切なトレーニングを実施せずにAIを運用し、事故が発生した場合、施設の管理体制の不備が問われる可能性があります。2024年度の診療報酬改定で画像診断管理加算の施設基準に「AI画像診断補助ソフトウェアの適切な安全管理」が追加されたことからも、施設側の管理責任が制度的にも明確化されつつあります。

説明可能AI（XAI）の技術と実装

AI画像診断の「ブラックボックス問題」——なぜその判定に至ったのかを説明できない——は、臨床現場での信頼性に直結する課題です。この問題に対応するため、説明可能AI（XAI: Explainable AI）の技術が発展しています。

Grad-CAM。AIが判定時に「注目した領域」をヒートマップとして可視化する技術です。医師は、AIが画像のどの部分に基づいて判断したかを視覚的に確認できます。多くの商用AI画像診断製品に実装されています。

LIME / SHAP。個々の予測に対して、どの特徴量がどの程度影響したかを数値化する手法です。「なぜ異常と判定されたのか」を定量的に説明するために使用されます。

Attention機構。Transformerベースのモデルでは、Attention（注意）機構が各入力領域の重要度を自動的に計算するため、モデルの判断根拠を可視化しやすいという利点があります。

データバイアスと公平性の課題

AI画像診断のもうひとつの倫理的課題は、学習データの偏りに起因する公平性の問題です。特定の人種・年齢層・性別のデータに偏った学習を行ったAIは、それ以外の集団に対して精度が低下するリスクがあります。

AIガバナンスフレームワークでは、AI導入における倫理・ガバナンスの体系的な整理方法を解説しています。

AI画像診断の今後の展望

AI画像診断の技術は急速に進化しており、今後数年間で以下の領域での発展が期待されています。

マルチモーダルAI。画像だけでなく、電子カルテの情報（テキスト）、血液検査データ（数値）、ゲノムデータなどを統合して総合的な診断支援を行う「マルチモーダルAI」の研究が進んでいます。単一の画像モダリティに依存するよりも、複数の情報源を組み合わせることで、より精度の高い診断支援が可能になります。

連合学習（Federated Learning）。複数の医療機関が保有する画像データを、データ自体を外部に持ち出すことなく共同でAIの学習に活用する技術です。患者のプライバシーを保護しながら、大規模な学習データを確保できるため、希少疾患のデータ不足問題の解決策として期待されています。

生成AIの医療画像への応用。データオーグメンテーション（学習データの拡張）に生成AIを活用する研究が進んでいます。希少な症例の合成画像を生成することで、学習データの不足を補い、AIの精度向上に寄与する可能性があります。ただし、生成画像の品質管理や倫理的な取り扱いについては、まだ議論の途上にあります。

国際的な規制動向との連動。EUでは2024年にAI Act（AI規制法）が発効し、医療AIを含むハイリスクAIへの規定は2026年以降に段階的に適用されます。米国FDAも、AI/ML搭載医療機器の承認フレームワーク「Predetermined Change Control Plan（PCCP）」を導入し、市販後のAI更新を事前計画に基づいて柔軟に行える仕組みを整備しました。日本のPMDAもこれらの国際動向を踏まえた規制の整合化を進めており、IMDRF（国際医療機器規制当局フォーラム）でのSaMDガイダンス策定にも参加しています。医療AIの開発・導入を検討する際は、国内規制だけでなく国際的な規制動向も視野に入れることが重要です。

AI画像診断に関するよくある質問

Q: AI画像診断は医師の代わりになりますか？

なりません。医師法第17条により、医業（診断・治療）を行えるのは医師のみです。AI画像診断はあくまで「診断支援ツール」であり、最終的な診断責任は医師が負います。現在のAIは特定のタスク（結節検出、ポリープ分類など）に特化しており、医師のような総合的な臨床判断はできません。

Q: AI画像診断の精度はどのくらいですか？

領域によって異なります。大腸内視鏡の病変検出では感度96〜98%、胸部X線の結節検出では感度84%程度が報告されています。重要なのは、これらの数値は特定の臨床試験条件下での結果であり、実際の臨床現場ではばらつくことがある点です。

Q: AI画像診断で誤診が起きた場合、責任は誰にありますか？

現行法では、最終的な診断責任は医師が負います。ただし、ソフトウェア自体の欠陥が原因の場合は開発者の製造物責任、施設の管理体制の不備が原因の場合は施設の管理責任が問われる可能性があります。

Q: 薬機法でAI医療機器はどのように規制されていますか？

AI画像診断ソフトウェアは「プログラム医療機器（SaMD）」として薬機法の規制対象です。リスクに応じてクラスII〜IIIに分類され、PMDAによる承認（または第三者認証機関による認証）が必要です。

Q: 導入費用はどのくらいかかりますか？

製品や導入形態によって大きく異なります。一般的な価格帯として、クラウド型のサブスクリプションモデルでは月額数万円〜数十万円、オンプレミス型では初期費用が数百万円〜となるケースがあります。PACS連携の改修費用も別途考慮が必要です。

Q: AI画像診断はどの診療科で使われていますか？

放射線科（胸部X線・CT読影）、消化器内科（内視鏡検査）、病理診断科（病理画像解析）、眼科（眼底画像スクリーニング）が主な導入先です。今後は循環器科（心エコー解析）や皮膚科（ダーモスコピー画像解析）への展開も進むと見込まれています。

まとめ

AI画像診断は、医師の読影業務を支援し、見落とし防止と効率化を実現する技術として急速に実用化が進んでいます。PMDA承認済みの製品が増加し、2024年度の診療報酬改定でAI関連の加算が新設されるなど、制度面でも導入の追い風が吹いています。

一方で、法的責任の所在、説明可能性の確保、データバイアスへの対応といった課題は依然として残されています。AIは医師の「代替」ではなく「支援」であるという原則を踏まえた上で、自院のニーズに合った製品選定と段階的な導入が重要です。

koromoでは、医療機関向けのAI戦略立案から、画像診断AIを含むAIシステムの開発支援まで、一貫したサポートを提供しています。「自院にどのAI画像診断が最適か分からない」「PACS連携の技術的な課題を相談したい」といったお悩みがありましたら、お気軽にご相談ください。