AI MRIモデルが97.5％の診断精度を達成

ミシガン大学の研究者チームは、MRIスキャンから患者を自動的に診断できるAIシステムを発表しました。この開発は業界を革命的に変える可能性があり、世界中の患者により迅速でアクセスしやすい医療を提供します。以下が重要ポイントです。

MRI技術が脳画像診断でどのように機能するか

磁気共鳴画像法（MRI）は、磁場と電波を利用して臓器や重要な体部位の詳細な2D/3D画像を作成します。MRI技術は、第二次世界大戦中に行われた磁気共鳴（NMR）の先行研究から生まれました。

1952年、フェリックス・ブロッホとエドワード・パーセルはこの概念をさらに発展させ、同年ノーベル賞を受賞しました。しかし、ポール・ラウターバーが空間勾配を加えるまで、臓器や組織の2D画像を作成できる技術は実現しませんでした。特に、MRIスキャンで使用されるラジオ周波数パルスは電離放射線を発生させないため、CTスキャンに比べて理想的です。

現在、MRIスキャンは一般的です。報告によると、年間で1億5千万人から2億件のスキャンが実施されています。さらに、研究によればMRIの利用は増加傾向にあり、ほとんどの地域でこれらの手技が3〜6％増加しています。そのため、MRIが医療システムの重要な構成要素となっていることは驚くべきことではありません。

脳MRIスキャンの解釈が難しい理由

MRIへの依存が高まるにつれ、この技術のいくつかの欠点が浮き彫りになります。まず、これらの画像を解釈するには時間と精度が必要です。この需要は医療分野での人手不足が深刻化する中で増大しています。結果として、MRIの利用が増えると、すでに逼迫している医療システムにさらなる負担がかかります。研究では、大規模病院が患者の過剰に対応する場合と、MRI画像を解釈できる専門家がいない小規模施設の場合で負担の形は異なることが示されています。しかし、結果は同じで、患者はリスクの増大に直面します。

MRI解釈遅延の臨床リスク

問題は、MRIで検出できる多くの神経疾患が即時の対応を必要とすることです。この要件により、迅速な診断と改善された転帰のバランスが求められ、しばしば期限が守られない状況が生じます。

例えば、脳出血や脳卒中はMRIスキャンで検出でき、即時の医療介入が必要な代表的な疾患です。しかし、これらの状態は見つけにくく、専門家による観察が不可欠です。

脳の領域

神経画像診断は神経疾患患者の評価に有用なツールです。その結果、世界的にMRIスキャンの需要は着実に増加し、医療システムに大きな負担をかけ、処理時間を延長させ、医師のバーンアウトを深刻化させています。

ミシガン大学がAI MRIモデルを開発

Nature Biomedical Engineeringに掲載された「Learning neuroimaging models from health system-scale data¹」研究は、数秒でMRI画像を解釈できる専用AIアルゴリズムを紹介しています。したがって、今後の医療を革命的に変える可能性があります。

Prima：MRI診断のためのビジョン・ランゲージAIモデル

Prima AI MRI画像アルゴリズムは、開発者によって「医療画像用ChatGPT」と表現されています。このAIシステムは、医療画像解釈の最も複雑な側面の多くを効率化・自動化します。Primaは他のAI MRIスキャナーと異なり、ビジョン・ランゲージモデル（VLM）であり、テキスト、画像、動画を同時に処理します。この階層的ビジョンアーキテクチャの活用により、システムは比類なき精度とパフォーマンスを提供します。

Primaが診断コーパイロットとして機能する方法

開発者はこのアルゴリズムについて、医療画像研究の解釈に信頼できるコーパイロットを作りたいと述べました。その点で彼らは成功しており、Primaの独自アプローチにより幅広い診断領域で機能します。このアプローチは、主にMRI画像の特定サブセクターに焦点を当てていた従来のものとは対照的です。Primaははるかに広範なデータセットで訓練されているため、実際の医師のようにMRIデータをレビューできます。その結果、診断からワークフローまであらゆる面で改善が期待されます。

200,000件以上のMRI研究でモデルを訓練

Primaを訓練するために、研究者は大量のデータへのアクセスが必要であると認識していました。幸い、ミシガン大学医療部門は200,000件以上のMRI研究への直接アクセスを提供し、5.6百万以上の画像シーケンスが含まれていました。エンジニアは各研究の結果、患者の病歴やスキャンの根拠を統合しました。このデータは相互参照され、50種類の放射線診断が統合され、複数の神経疾患を網羅しています。

AIが鑑別診断を生成する方法

Primaは迅速な診断を提供するよう設計されています。システムは膨大なMRIスキャンと関連データベースを相互参照し、幅広い神経疾患を特定します。さらに、各患者の特有の病歴も考慮し、診断とともに包括的な患者ファイルを作成します。

AI駆動型緊急トリアージシステム

印象的なことに、Primaは診断が即時の医療介入を必要とするかどうかを判断できます。緊急ケアが必要と判断された場合、システムは自動的に医療従事者に通知し、診断と治療の間に遅延が生じないようにします。この機能は、即時の対応が必要なケースで命を救うのに役立ちます。

自動専門医通知ワークフロー

Primaの最も優れた点の一つは、診断後に適切なサブスペシャリストへ自動的に通知することです。例えば、スキャンで脳卒中のリスクが示された場合、システムは神経外科医に連絡し、緊急ケアを要請することを認識します。

AIモデルの臨床テストと検証

Primaシステムのテストは1年前に開始されました。研究者はこの期間に何千件もの患者診断を実施し、医師の診断と比較しました。合計で29,431件のMRI研究が完了しました。

AI MRIモデルが97.5％の診断性能を達成

Swipe to scroll →

Primaの精度はエンジニアの見解が正しかったことを証明しました。モデルは97.5％のスコアを獲得し、他のAI競合の結果をはるかに上回ります。チームは、診断が数秒で完了したのに対し、医師が行うと数日かかることを指摘しました。テストはまた、システムがケアの応答時間を大幅に改善したことを示しました。スキャンと診断のデータは直ちにケア専門医に提供され、データが必要な者には優先的に情報が自動送信され、患者の貴重な時間が節約されました。

AI駆動型MRI解釈の主な利点

この技術が市場にもたらす利点は多数あります。まず、MRIスキャンの実施と解釈に要する時間が短縮されます。この性能向上により、医療分野が深刻な人手不足に直面している中でも、患者はより迅速にケアを受けられます。

AI支援が理想的であることを証明

この技術のもう一つの利点は、AIシステムが現在の医療手順をどのように向上させるかを実証できることです。このシステムは医療従事者の負担を軽減しながら結果を改善します。そのため、医療分野全体におけるAIシステムの力を示す貴重な例となります。

診断

特定の結論に至った根拠を示さないAIシステムとは異なり、Prima AIモデルは説明可能な鑑別診断を提供します。このアプローチにより、医師が作業を二重チェックし、正確性を確保し、第二の意見を得ることが可能です。

実世界での応用と展開見通し

この技術には多くの応用があり、最も明白なのは現在の医療慣行の改善です。特に、この技術は他の画像診断分野にも適用可能であり、多くのアナリストは今後数年でマンモグラム、胸部X線、超音波にも応用されると予測しています。

規制経路と商業化タイムライン

この技術は今後5年以内に市場に投入される可能性があります。医療成果を向上させ、現在の医療従事者の作業負荷とストレスを軽減できるものへの需要は高まっています。

研究チームと機関の支援

AI MRI解釈研究はミシガン大学の研究者によって提案されました。論文はU-M医学校の神経外科医で助教のトッド・ホロンと、神経外科機械学習ラボのデータサイエンティスト、サミール・ハラケが主導しました。研究には、Vikas Gulani, M.D. Ph.D., Asadur Chowdury, M.S., Soumyanil Banerjee, M.S., Rachel Gologorsky, Shixuan Liu, Anna‑Katharina Meissner, M.D., Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, M.D., Volker Neuschmelting, M.D., Ashok Srinivasan, M.D., Dawn Kleindorfer, M.D., Brian Athey, Ph.D., Aditya Pandey, M.D., および Honglak Lee, Ph.D. が貢献者として挙げられています。また、米国国立衛生研究所（NIH）の国立神経疾患・脳卒中研究所からの財政支援も受けています。

神経画像診断におけるAIの将来開発

エンジニアは、まだ作業の初期段階にあることを認識していますが、結果は有望です。現在の目標はシステムをパーソナライズし、AIが医療記録にアクセスし、利用可能なすべてのデータをリアルタイムで活用して診断できるようにすることです。

AI／ヘルスケア統合への投資

医療画像へのAI統合の影響は加速しています。多様なデバイスメーカーとは異なり、新世代の企業は診断速度、ワークフロー効率、臨床意思決定の向上を目的としたAIネイティブ放射線プラットフォームを構築しています。以下は、AI駆動型画像領域に直接位置する上場企業の一例です。

RadNet（RDNT）

RadNetは米国最大級の外来診断画像提供者の一つで、全国に数百の画像センターを運営しています。1981年に設立され、同社はDeepHealth子会社を通じて放射線サービスと人工知能を組み合わせた垂直統合型画像プラットフォームへと成長しました。RadNetはAIを付加機能として扱うのではなく、機械学習を画像ワークフローに直接統合しています。買収や内部開発を通じて、同社は乳がん、肺結節、神経異常などを早期かつ一貫して検出するためのAIツールを構築しました。

大きな転換点は、RadNetのAI部門であるDeepHealthの拡大です。同部門はFDA認可済みアルゴリズムを画像ネットワーク全体に展開することに注力しています。独自の画像データとAI開発を組み合わせることで、RadNetはサービス収益とソフトウェア強化診断機能の両方から利益を得ています。この垂直統合アプローチは競争優位性を提供します。実際の臨床データがアルゴリズムの改良に寄与し、AIツールが自社の画像センター内でスループットと診断精度を向上させます。

AI駆動型画像プラットフォームの拡大

RadNetはパートナーシップや買収を通じてAIポートフォリオを拡大し、放射線サブスペシャリティ全体で診断支援ツールのスケーラブルな導入を目指しています。償還モデルが変化し、画像件数が増加する中、AI支援型トリアージと検出システムはマージンを大幅に改善し、放射線科医の作業負荷を軽減する可能性があります。投資家はAI駆動型医療画像への直接的なオペレーションレバレッジを求める場合、RadNetは多角的な医療機器コングロマリットよりも放射線自動化に特化した投資先と言えます。

最新のRadNet（RDNT）ニュースとパフォーマンス

AI画像診断 | 結論

AI画像診断の研究は、患者と医療専門家にとって明るい未来への扉を開きます。これらのシステムは、患者が常に一貫した最高水準のケアを受けられるよう支援します。

また、現在すでに訓練された医療従事者の作業負荷も軽減します。したがって、この開発は将来、より効果的な医療システムの構築に寄与する可能性があります。

他のクールなAI開発についてはこちらをご覧ください。

参考文献

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. 健康システム規模データから神経画像モデルを学習する. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0} (RDNT )