現在，急速な発展を遂げている人工知能（AI）は，画像診断を高精度化・効率化する技術として期待されている。日立では，放射線科の検査ワークフロー全体を支援するソリューションを構築するために，画像診断装置と画像情報システムの両者を基に，撮像支援や定量化，読影支援，故障予兆診断などを，人工知能により高度化した機能を開発中である（図1）。最近進展している機械学習を用いた場合，多量の画像を使用することが一般的であるが，医療分野で学習に使用可能な教師ラベル付き画像データは多くなく，逆に従来の知見は多く蓄積されている。この状況を鑑み，日立では，従来培われた知見と機械学習により獲得される知見を融合した“Hybrid Learning”というコンセプトの下，技術開発を進めている。

図1　人工知能を用いた画像診断装置・画像情報システムによる放射線科ワークフロー支援

■画像診断装置の高度化

人工知能を応用することで，MRIやCT，超音波など，さまざまな画像診断装置の操作効率や画質，再現性，定量性の向上をめざしている。その一例として，MRI用の撮像位置設定支援機能について紹介する（図2）。本機能は，被検者のscanogram計測後に，被検者に応じた最適なスライスラインを自動的に推定し表示するものである。推定アルゴリズムでは，従来の知見をルールベース化した正中面の抽出ステップと，機械学習による正中面での組織構造の特定ステップを順次的に実行している。このように，両者を組み合わせることで，機械学習の効率化と計測断面推定の高速化を図っている。本機能により，撮像断面の設定時間の短縮とともに，再現性の向上が可能になる。

図2　人工知能による画像診断装置の高度化の例：MRI自動撮像位置決め

■画像情報システムの高度化

人工知能を応用することで，読影の効率化や定量性の向上をめざしている。その一例として，肺がんCT用computer-aided detection（CAD）について紹介する（図3）。本機能は，肺のCT画像から，がん病変の候補を自動的に検出し表示するものである。病変の検出アルゴリズムでは，従来の知見をルールベース化した病変検出部と，従来の知見を基にした深層学習による病変検出部とを並列化している。これにより，機械学習の効率化と抽出精度の向上を図っている。本機能により，病変検出の精度向上と読影時間の短縮，および病変の大きさなどの定量値の算出時間の短縮などが可能になる。

図3　画像情報システムの高度化の例：肺がんCT用CAD

■将来展望

今後，人工知能はさまざまな方向に発展し応用されていくと期待される。例えば，Hybrid Learningでは，従来培われた知見として物理モデルを用いることで，画像認識とあいまって組織ごとの定量値の精度向上や算出時間の短縮が可能になっていくと考えられる。また，機械学習には，獲得された知見が人にはわかりにくいという欠点があるが，これをわかりやすく提示することで，人と人工知能のより緊密な連携が可能になっていくと考えられる。さらに，画像診断システムとしては，人工知能を用いた機能が画像診断装置や画像情報システムに別々に搭載されるのではなく，それぞれのワークフローに応じて，最適な場所で，最適なタイミングで使用できるような形態になっていくと期待される。