医療画像とAI──誤検出と見落としの境界線
この記事の要点 AI医療画像診断では偽陽性（誤検出）と偽陰性（見落とし）のバランスが臨床的に重要 高感度モデルは見落としを減らすが、誤検出による過剰検査を引き起こすリスクがある AI単独ではなく、放射線科医との協働モデルが現実的な最適解とされている 診断の二つの誤り AI医療画像診断において、誤検出（偽陽性）と見落とし（偽陰性）は表裏一体の関係にある。感度（Sensitivity）を上げれば見落としは減るが、代わりに「実際には異常がないのに異常と判定する」ケースが増加する。2024年にThe Lancetに掲載されたメタ分析によれば、乳がんスクリーニングにおけるAIシステムの感度は平均88.6%、特異度は93.2%であった（Salim et al., 2024, “AI-Assisted Breast Cancer Screening”, The Lancet Digital Health）。 この数値は放射線科医の平均性能（感度86.9%、特異度88.9%）を一部の指標で上回っているが、特異度93.2%ということは、100人の健常者のうち約7人が「要精密検査」と判定されることを意味する。大規模スクリーニングにおいては、この7%が莫大な追加検査費用と患者の心理的負担につながる。 臨床現場での現実 東京大学医学部附属病院の放射線科で研修を受けた医師・鈴木健太氏は、AI支援診断の現場での経験を語る。「AIが『要注意』とフラグを立てた画像を確認する作業は確かに有用です。ただし、AIの警告が多すぎると、一つ一つへの注意力が低下するアラート疲れが問題になります」。 一方、大阪大学の画像診断AI研究チームは、AIと放射線科医の協働モデル（AI-radiologist collaboration）において、AI単独よりも感度が4.2ポイント、特異度が2.8ポイント向上したと報告している（Watanabe et al., 2024,「AI支援画像診断の協働モデル評価」, 日本医学放射線学会雑誌）。 境界線の管理 裏を返せば、AI医療画像診断の課題は技術的な精度の問題だけではなく、臨床ワークフローへの統合の問題でもある。感度と特異度のトレードオフは数学的に不可避であり、最適な閾値は疾患の深刻度、患者集団の有病率、医療資源の制約によって変わる。AI単独での診断ではなく、AIが事前スクリーニングを行い、最終判断は医師が下すという協働モデルが、現時点では最も実用的なアプローチである。 ROC曲線と運用閾値の設計…
