医療画像技術の応用におけるAIの4つのコアバリュー

[51CTO.com クイック翻訳] 今年の ECR カンファレンスには 25 社を超えるソフトウェア ベンダー (ISV) が参加し、その多くは新興企業でした。彼らは、医療画像処理分野における人工知能（AI）ソリューションを展示するための特別エリアを設置しました。医療用画像処理ベンダーが人工知能分野に殺到する中、かつて大々的に宣伝された AI はまだ市場開発の初期段階にあるものの、医療用画像処理における人工知能はすでに足場を築きつつあります。

今日では、AI が医療用画像診断に適しているかどうかではなく、AI ソリューションの臨床的価値に焦点が移っています。放射線科医はもはや AI が自分の仕事を奪うことを心配しているのではなく、むしろ AI によるソリューションで優位な地位を獲得することについて心配しており、これは新興企業と既存のベンダーの両方が解決に取り組んでいる問題です。しかし、ECR で展示された AI ソリューションにはほとんど違いがなく、多くのベンダーが同じ臨床アプリケーションをターゲットにしていました。医療画像用の AI ソリューションを開発している企業は 100 社を超えており、この新興市場はすでに混雑しています。成功するベンダーは、臨床的関連性、臨床検証、ワークフロー、投資収益率の面で価値と機能をより適切に実証できるようになります。

1. 臨床的意義

常に変化する環境において臨床的に関連性を維持することはあらゆる企業の目標であり、医療画像 AI 分野の企業も例外ではありません。したがって、重要なのは、医療ユーザーにとって臨床的に関連性のある AI ソリューションを開発することです。

機械学習アルゴリズムのトレーニングに使用できるデータ

困難の 1 つは、機械学習アルゴリズムをトレーニングするために利用できるラベル付きデータが不足していることです。公開されているデータのほとんどは、結核や乳がんなど、発生率の高い日常的な症例に焦点を当てています。そのため、ほとんどの AI スタートアップはこうした大規模な臨床事例をターゲットにしており、実際に大きな市場機会を生み出しています。

しかし、放射線科医は日々の業務で多数の臨床症例を扱っています。症例の多様性をマクロ的な視点で見ると、発生率の高い症例（結核など）は氷山の一角にすぎません。ほとんどの臨床ケースには AI ソリューションが存在せず、ベンダーにとっては未開拓の市場となっています。こうした反復的で時間のかかる高頻度症例を研究することには確かに価値がありますが、AI が医療画像診断においてその潜在能力を最大限に発揮するためには、放射線科医はより包括的な AI ツールセットを必要とします。将来成功するベンダーは、機械学習のトレーニング データに革新的な戦略を適用し、関連するユーザーと複数のデータ共有パートナーシップを確立して、さまざまな臨床ケース向けのアルゴリズムを開発できるベンダーです。

AIツールキットまたは総合的なソリューションを開発する

初期の AI ソリューションは、特定の病状を対象としたポイント固有のソリューションでした。最近では、AI 診断ツールキットに似たソリューションを開発する傾向があります。具体的には、1 か所だけでなく、体全体の異常、場合によっては複数の臓器の異常を検出できます。

これらのより包括的なソリューションは、より高度な診断サポートを提供するだけでなく、AI を臨床医学に適用するワークフローを簡素化し (多くの個別のアルゴリズムではなく総合的なソリューションを提供)、コスト効率も高くなる可能性があります。ソリューションの堅牢性と完全性はベンダーによって異なりますが、これは今後の重要な開発となるでしょう。

異常な診断はほんの一部に過ぎない

医療画像における AI の価値は、異常検出をはるかに超えています。 AI の特徴を定量化する能力により、放射線レポートの価値が高まり、最終的には臨床結果が改善される可能性があります。異常診断のサポート/提供は、AI 開発者と放射線科医にとって最も重要な部分です。 ECR ショーで明らかになったように、ベンダーはすでにこの分野で進歩を遂げており、一部のソリューションでは結節や病変の発生確率スコアを提供しています。

画像取得は、医療用画像処理における AI の次の主要な使用例であると思われますが、医療患者にとって 3 つの大きなメリットがあります。まず、スキャンを受ける時間が大幅に短縮され、患者に質の高いケアを提供し、より多くのスキャンが可能になります。次に、画像再構成プロセスで機械学習を使用することで、低線量 CT スキャンの品質を通常線量 CT スキャンの品質まで向上させ、患者の放射線量を減らすことができます。人工知能は、スキャンされた画像のノイズとアーティファクトを減らし、放射線科医の診断の信頼性を高め、繰り返しのスキャンを減らすことができます。

2. ワークフロー

画像機器への統合

AI が主流になるためには、画像取得時点と PACS 環境の両方で、放射線科のワークフローにシームレスに統合される必要があります。 AI ソリューションをスキャナーに統合して画像取得や画像分析を行うこともできますが、OEM からのより厳しい規制環境に直面しているため、これはより困難な市場です。

ECR で展示された組み込み AI ソリューションは非常に少なく、ベンダーが AI の統合に慎重なアプローチを取っていることが示唆されました。展示された組み込み画像分析ソリューションは、モダリティベンダーによって開発されたネイティブアプリケーションとサードパーティアプリケーションの組み合わせでしたが、AI 対応の画像取得ソリューションは自社開発のアプリケーションでした。 2019 年には組み込み AI ソリューションの活動が徐々に増加すると予想されます。

PACSへの統合

放射線科医は時間に非常に厳しい制約を受けることが多く、ワークフローの効率が重要です。放射線科医が AI ソリューションを受け入れるかどうかは、それが現在のワークフローとどれだけ効果的かつシームレスに統合されるかによって決まります。主要な診断プロセス (PACS など) に緊密に統合され、放射線科医が追加の AI ツールを有効にする必要がない AI ソリューションは、魅力的である可能性があります。 AI ソリューションが効果的なユーザー インターフェイスを提供するかどうかに関係なく、PACS 環境から切り替えると、放射線科医がスキャンの読み取りに費やす時間が増加したり、ソフトウェア障害のリスクが高まったりします。その結果、放射線科医が AI ソリューションをあまり使用しなくなるか、まったく使用しなくなる可能性があります。

AI への取り組みを強化している PACS および画像ベンダーは、一般的に同様の実装戦略、つまりネイティブおよびサードパーティの AI アルゴリズムの統合コンテナーとしての専用 AI プラットフォームと、サードパーティの AI アプリケーション用のクラウド コンピューティング プラットフォームを補完する戦略を採用していることは明らかです。

長期的にはクラウド プラットフォームが重要なソリューションになると予想されますが、AI 市場の初期段階であり、医療画像がクラウドに移行するにつれて、両方のアプローチに確実に余地が生まれます。 AI が普及するにつれて、医療画像処理におけるクラウドの導入が加速するでしょう。

医療画像ベンダーは大きな影響を与えるだろう

既存企業は医用画像診断における AI の応用への対応が遅れているように見えますが、特に放射線科ワークフローへの AI の統合において重要な役割を果たすことで、画像診断ベンダーは市場の長期的な範囲と将来の方向性に大きな影響を与えると考えています。したがって、AI ISV が既存のイメージング ベンダーと提携することが不可欠です。

3. 投資収益率

世界中で医療予算が圧迫される中、AI ベンダーは、AI 導入をサポートするために必要なソフトウェアと IT インフラストラクチャへの多額の投資を正当化するために、医療提供者に具体的な投資収益率 (ROI) を明確に提供する必要があります。これは、以下に説明するように、いくつかの方法で実現できます。

効率と品質

英国の国民保健サービスなど、放射線科医の不足により放射線科医の時間に対する需要が高い国では、生産性の向上は AI の重要な価値提案であり、ROI の決定要因であると言えます。緊急事態と非緊急事態を区別し、スキャンの読み取りに必要な時間を短縮できることが、AI ソリューションの鍵となります。

しかし、北欧諸国のように放射線科医が豊富に存在する国では、放射線科医の時間に対する要求はそれほど厳しくなく、効率性に加えて診断の質が AI ソリューションの ROI の主な要素となるでしょう。

診断

少数の AI ISV が成功裏に達成している ROI のもう 1 つの手段は、診断の有効性の向上です。例えば、人工知能による画像解析をサポートする FFR-CT は、徐々に介入血管造影の代替方法になりつつあります。これにより、医療提供者のコストが削減され、患者の感染リスクが軽減され、AI への投資が正当化されます。

処理

AI ソリューションは、定量的なイメージングを使用した臨床診療で一般的に使用され、時間のかかる手動測定タスクを自動化します。臨床的に検証されたイメージングバイオマーカーは、診断精度の向上や治療反応の予測に役立ち、個々の患者に対してより個別化された定量的な治療計画を策定するのに役立ちます。さらに、AI は患者の履歴データを活用して意思決定を行い、治療計画において重要な役割を果たします。これにより治療サイクルが短縮され、コストが節約され、治療結果が向上します。

4. 検証

上記の問題に対処できる AI アルゴリズムを開発できれば素晴らしいのですが、適切な臨床検証がなければ、臨床医に信頼される可能性は低く、したがって臨床医がそれを使用することもないでしょう。

アルゴリズムのトレーニング

開発環境でアルゴリズムの教師ありトレーニングを行うには、大量の医療画像にアクセスする必要があります。市場に真に適した堅牢なアルゴリズムを開発するには、これらの画像に、同じ症例のさまざまな臨床症状だけでなく、さまざまな患者やさまざまなスキャナーからキャプチャされた画像も含める必要があります。ほとんどのソリューションが肺疾患と乳がんに焦点を当てているのは、このようなアルゴリズムを構築するための公開データが大量にあるためです。ビジネス パートナーや医療システムからの承認を得るには、AI ISV は多様なデータセットを使用してシステムを開発したことを実証する必要があります。

臨床検証-前向き研究

長期的には、AI ISV が医療提供者と協力して前向き臨床研究を実施する能力が、実際の臨床現場でソリューションの堅牢性を検証するための臨床検証の重要な推進力となるでしょう。この研究の結果は、権威ある学術誌に掲載される予定です。このような研究は、大量の識別されラベル付けされた臨床データと、研究を実行するための臨床環境を必要とするため、時間と費用がかかります。

ただし、そうすることで得られるメリットは初期投資をはるかに上回り、ソリューションの信頼性を高め、潜在的なパートナーや顧客の信頼を獲得するのに役立ちます。いくつかの企業がそのような研究を始めていますが、これまでのところその結果を公表した企業はほとんどありません。臨床的に検証された AI ソリューションが利用可能になることは、臨床現場での応用にとって重要な触媒となるでしょう。

原題: 医療画像における AI の価値の 4 つの柱、原著者: Simon Harris および Sanjay Parekh 博士

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]