血管内インターベンション放射線医学における画像AIの最新動向と将来性

10月 25, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Imaging-Based Artificial Intelligence in Vascular and Interventional Radiology: A Narrative Review
Journal of Imaging Informatics in Medicine｜被引用数: 3（2026年10月25日時点）

人工知能（AI）は、その高度なパターン認識能力で診断放射線学に革命をもたらしましたが、血管内インターベンション放射線医学（VIR）という専門性の高い分野での応用は、これまでデータセットの特性上、限られたものでした。しかし、最新の研究レビューによれば、AIはVIRにおいても目覚ましい進歩を遂げており、その可能性は計り知れません。本記事では、このレビューに基づき、画像ベースのAIがVIRの術前・術中・術後の各段階でどのように活用され、診断の精度向上、治療計画の最適化、そして対象者の転帰改善に貢献しているのかを詳しく掘り下げていきます。

研究サマリー（FINER & PICO）

Feasible実施可能性	データセット規模と変動性という課題があるが、多様な画像モダリティとタスクでAIの適用が実証されている。
Ethical倫理面	データプライバシー保護、アルゴリズムバイアスへの対処、AIモデルの解釈可能性の確保が重要な課題。
Interesting面白さ	診断放射線学でのAI成功を受け、血管内インターベンション放射線医学への応用可能性を探る点で非常に興味深い。
Novel新規性	既存のAI技術を血管内インターベンション放射線医学に適用し、この分野における新たな可能性と知見を提示している。
Relevant切実さ	診断の正確性向上、治療計画の最適化、対象者の転帰改善に寄与し、臨床的に極めて重要である。
Measurable測定可能性	Dice類似度係数、AUC、精度などの定量的な指標を用いてAIモデルの性能が詳細に評価されている。
Modifiable派生・改善	AIは治療計画、リスク層別化、術後監視を最適化し、介入戦略の改善に貢献する。
Structured文章構造	文献レビューとして、AIの応用を画像モダリティ（CT、MRIなど）とタスクタイプ（セグメンテーション、検出など）で分類し、包括的に論じている。
PICO / PECO対象・介入・比較・結果	血管内インターベンション放射線医学の対象者において、画像ベースのAIが診断精度、治療計画、および対象者の転帰に与える影響。

血管内インターベンション放射線医学（VIR）におけるAIの可能性

どうも、Beyond the Pixelです。診断放射線学において、高度なパターン認識能力を持つ人工知能（AI）が目覚ましい成功を収めていることは、皆さんご存知の通りでしょう。しかし、血管内インターベンション放射線医学（VIR）という分野では、データセットの規模が小さく、ばらつきが大きいため、AIの応用はこれまで限定的でした。今回ご紹介する論文「Imaging-Based Artificial Intelligence in Vascular and Interventional Radiology: A Narrative Review」は、VIRにおける画像ベースのAIアプリケーションの現状と将来性を包括的にレビューしたものです。本レビューでは、術前・術中・術後の各段階で画像モダリティをインプットとして活用するAIアプリケーションが広範に調査されています。

AIアプリケーションの分類と驚くべき成果

このレビューでは、PubMed、Embase、Web of Scienceという主要なデータベースを用いて広範な文献検索が行われ、対象者のケアに直接的な影響を与えるAIモデルを用いた研究が特定されました。これらの研究は、使用される画像モダリティ（CT、MRI、透視/DSA、超音波、X線、マルチモダリティ）とタスクの種類（セグメンテーション、検出、予測、その他）に基づいて分類されています。その結果、AIがVIRの複数の領域で大きな可能性を秘めていることが示されました。

**Figure 1.** Fig. 1 Different modalities and procedures studied by the AI models解説: この図は、AIモデルによって研究された異なる画像モダリティと手技の分類を示しています。具体的には、コンピュータ断層撮影（CT）、磁気共鳴画像法（MRI）、透視およびデジタルサブトラクションアンギオグラフィー（DSA）、超音波、X線、そしてマルチモダリティおよびハイブリッドの各モダリティが、それぞれエンドバスキュラー修復、子宮線維筋腫塞栓術、カテーテルやガイドワイヤーのセグメンテーションといった特定のインターベンション手技やタスクと関連付けられています。

特にディープラーニングモデルは、大動脈解離や腹部大動脈瘤といった解剖学的構造のセグメンテーション（特定の領域を識別・抽出するタスク）において、0.82から0.962という高いDice類似度係数を達成しています。また、エンドリーク（血管内治療後の血液漏れ）検出では最大95%の精度、血管狭窄の特定ではAUCが0.97に達するなど、検出タスクでも優れた性能を示しました。さらに、予測モデルは従来の臨床評価を頻繁に上回り、EVAR、TEVAR、TACE、TAREなどの手技後の転帰予測において0.90を超えるAUCを達成しています。特に、ラジオミクス（医療画像から定量的な特徴を抽出し分析する技術）に基づくアプローチと機械学習を組み合わせた方法は、治療効果予測やリスク層別化において特に有効であることが示されています。

主要な画像モダリティとAIタスク

各画像モダリティにおいて、AIがどのように活用されているかを詳しく見ていきましょう。

CT（コンピュータ断層撮影）に基づく研究

CT画像は、VIRにおけるAIアプリケーションの重要な基盤となっています。セグメンテーションタスクでは、腹部大動脈瘤の嚢、血栓、血管分岐の自動セグメンテーションが研究されています。例えば、ディープラーニングモデルは、TEVAR後のB型大動脈解離の真腔、偽腔、血栓、分枝血管のセグメンテーションで高いDice類似度係数（0.811～0.962）を達成しています。AAAの自動容積セグメンテーションと測定を可能にするAIソフトウェア「PRAEVAorta」は、手動セグメンテーションと比較して同等の精度（DSC 0.95±0.01）で、かつ大幅に迅速であることが実証されました。インターベンション腫瘍学においても、肝細胞がん（HCC）のTACE（肝動脈化学塞栓療法）における腫瘍セグメンテーションと治療反応予測を同時に行うマルチタスクディープラーニングモデルが提案され、AUC 0.871、DSC 73.6%という結果を出しました。下大静脈フィルター（IVCF）のセグメンテーションも、その小さなサイズや深い位置、対象者がフィルターの存在を忘れてしまうことによる課題に対処するために開発されています。検出タスクでは、EVAR後のエンドリーク検出が重要な焦点です。ラジオミクス特徴を抽出して機械学習モデルを訓練するアプローチにより、エンドリーク検出で平均精度81%±4、AUC 0.86±0.05を達成しました。また、U-net CNNを用いた研究では、95%の精度でエンドリークを検出しています。予測・予後予測タスクでは、術前画像から術後転帰を予測する研究が主に行われています。例えば、術前CTAからラジオミクス特徴を抽出し、EVAR後の転帰を予測する機械学習モデルが開発され、ロジスティック回帰モデルがAUC 0.93、F1スコア0.91と最良の性能を示しました。また、VascAI©というディープCNNは、EVAR後のエンドリーク、AAA破裂、グラフト閉塞などの合併症を予測するために開発され、専門家レベルのアノテーションなしで100%の感度を示しました。TACEやTARE（肝動脈放射線塞栓療法）の治療反応予測、TIPS（経頸静脈肝内門脈大循環シャント術）後の肝性脳症や門脈圧亢進症再発の予測においても、CT画像とAIが活用され、従来の臨床モデルを上回る結果を出しています。その他、術中の追跡精度を向上させるための、CT画像と他のモダリティのモーション補償と位置合わせも研究されています。

MRI（磁気共鳴画像法）に基づく研究

MRIにおけるAIの活用は、主に治療転帰と予後予測に焦点を当てています。例えば、子宮線維筋腫のMR画像を用いたディープラーニングモデルは、子宮線維筋腫塞栓術の転帰予測において、放射線専門家を上回る精度（0.847対0.722）を達成しました。HCCの化学塞栓療法や放射線塞栓療法における治療反応予測でも、MRラジオミクス特徴と臨床的特徴を組み合わせた機械学習モデルが、臨床的特徴のみやラジオミクスのみのモデルよりも優れた性能（AUC 0.92〜0.94）を示すことが報告されています。

透視およびDSA（デジタルサブトラクションアンギオグラフィー）に基づく研究

透視やDSAは多くのVIR手技で広く用いられるため、術中のセグメンテーションやデバイスの位置特定に応用されています。カテーテル、ガイドワイヤー、ステントなどのインターベンションツールの再構築とセグメンテーションを行うディープラーニングパイプラインが開発され、従来の2D透視と同等の放射線量で90%以上の精度で4D時空間情報を提供できることが示されています。また、人工データと転移学習を用いて、透視画像中のカテーテルセグメンテーションを行うCNNも開発され、大量の手動アノテーションを必要とせずに堅牢なモデルを構築できる可能性を示しました。ステントのセグメンテーションも、放射線被ばく量と造影剤使用量の削減を目指し、術中X線画像と術前情報の融合評価のために行われています。検出タスクでは、InterNetシステムという2段階ディープラーニングモデルが、緊急DSA画像を用いた活動性腹部動脈性出血の検出のために開発されました。このモデルの使用により、出血検出のAUCが0.759から0.803に改善し、解釈時間も大幅に短縮されました。予測・予後予測タスクでは、TACE治療を受けるHCC対象者のリアルタイム治療反応を予測するディープラーニングフレームワーク「DSA-Net」が、DSAビデオに基づいて開発され、78.2%の精度を達成しました。その他、放射線被ばく量の削減を目的として、低いフレームレートで取得した画像から欠落フレームを補間するディープラーニングアプローチも開発され、有望な結果を示しています。

超音波に基づく研究

超音波検査は、迅速で放射線被ばくがないため、スクリーニングツールとして広く活用されています。検出タスクでは、末梢動脈疾患や腎動脈狭窄の検出に重要な役割を果たしています。ドップラー波形を超音波画像と臨床データと複合的に使用し、末梢動脈疾患の検出ではAUC 0.93、腎動脈狭窄の検出ではAUC 0.97を達成しています。AIベースのアルゴリズムは、イリアック静脈圧迫症候群の診断時間の大幅な短縮も可能にしました。さらに、薬剤溶出バルーン治療の効果評価においても、ディープラーニングを用いたターゲット検出アルゴリズムが、従来の超音波技術よりも優れた性能を示しています。

X線に基づく研究

X線単純撮影は広く行われ、大規模なデータセットが得られるため、様々なVIRデバイスの検出に利用されています。ディープラーニングモデルは、中心静脈カテーテルやPICC（末梢挿入型中心静脈カテーテル）の先端位置検出のために開発され、グランドトゥルースからの平均絶対距離が3.10mmという高精度を達成しました。これは、合併症を回避し、放射線専門家の効率を向上させる上で非常に有用です。また、下大静脈フィルターの種類をX線画像から検出するCNNモデルも開発され、F1スコア0.97という高精度で14種類のフィルターを分類できることが示されました。

マルチモダリティおよびハイブリッド研究

複数の画像モダリティからの入力を組み合わせるアプローチも行われています。DSAとCTAからの画像変数と臨床変数を組み合わせた機械学習モデルは、B型大動脈解離に対するTEVAR後のリスク予測に用いられ、遠位大動脈拡大の予測ではロジスティック回帰モデルがAUC 0.773、遠位動脈瘤形成の予測では人工ニューラルネットワークがAUC 0.876と最良の性能を示しました。

課題と今後の展望：AIを責任ある形で活用するために

このレビューで示された研究結果は、VIRにおけるAIの大きな可能性を浮き彫りにしていますが、いくつかの課題も存在します。主要な課題の一つは、AIモデルの学習と検証に利用できる、大規模で高品質かつ多様なデータセットが限られていることです。多くの研究が比較的小規模なサンプルサイズや単一施設からのデータに依存しており、開発されたモデルの汎用性や堅牢性を制限する可能性があります。

**Figure 2.** Fig. 2 Illustration schema of an input image (A) undergoing region-of-interest segmentation (B) followed by feature extraction (C), feature selection, and then downstream task execution (D)**解説:** この図は、入力画像（A）から関心領域のセグメンテーション（B）が行われ、続いて特徴抽出（C）、そして特徴選択と下流タスクの実行（D）に至る、一般的なAIモデルの処理スキーマを模式的に示しています。これは、医療画像から有用な情報を抽出し、それを用いて特定のタスクを実行する際の典型的な流れを表しています。

特に、画像入力（A）から関心領域のセグメンテーション（B）、特徴抽出（C）、特徴選択を経てタスク実行（D）に至るプロセスにおいて、データの質はモデルの性能に直結します。

また、インターベンション手技、対象者集団、画像プロトコルの複雑性や変動性が、AIモデルの開発と展開に課題をもたらすことがあります。データセットの不均衡や偏りがある場合に、AIモデルにバイアスや過学習が生じる可能性も指摘されています。これらのリスクを軽減し、AIベースのソリューションの信頼性と公平性を確保するためには、厳格な検証、外部テスト、継続的なモデルの改善が不可欠です。

さらに、複雑なAIモデル、特にディープラーニングアーキテクチャの解釈可能性と透明性は依然として課題です。これらのモデルは高い性能指標を達成できる一方で、その内部の仕組みや意思決定プロセスは不透明な場合が多く、専門家がモデルの出力内容を理解し、信頼することを困難にしています。説明可能なAI（xAI）技術の開発や、意思決定プロセスへの人間の専門知識の統合は、臨床現場でAIを責任ある形で展開するために非常に重要です。

これらの課題にもかかわらず、VIRにおけるAIの潜在的な利点は大きく、継続的な研究開発努力が必要です。AI技術をインターベンション放射線医学のワークフローに統合することで、診断精度、治療計画、手技ガイダンス、術後モニタリングなど、対象者ケアの様々な側面を合理化し、強化できる可能性があります。

今後の研究の有望な分野の一つは、インターベンション手技中に継続的なガイダンスと意思決定支援を提供できる、リアルタイムの術中AI支援システムの開発です。AIモデルの迅速な処理能力を活用し、インターベンション画像システムと統合することで、デバイスの位置、解剖学的変化、手技リスクに関するリアルタイムのフィードバックを提供し、手技時間、放射線被ばく、合併症を削減できる可能性があります。

また、インターベンション放射線医学のトレーニングとシミュレーションのための、AIと拡張現実（AR）、仮想現実（VR）技術の統合も探求すべき分野です。AIを搭載した仮想環境は、インターベンション手技の現実的なシミュレーションを提供し、研修生が安全で管理された環境でスキルを練習・向上させることを可能にします。さらに、ARベースのガイダンスシステムは、AIが生成したアノテーションや可視化情報をリアルタイムの画像データに重ね合わせることで、インターベンション放射線専門家の空間認識と手技精度を向上させることができます。

結論として、VIRにおけるAIの応用は、診断精度から治療計画、手技ガイダンス、術後モニタリングに至るまで、対象者ケアの様々な側面を革新する可能性を秘めています。課題や限界は存在するものの、このレビューで示された有望な結果は、この分野におけるAI技術の多様性と潜在的な影響を強調しています。これらの技術の可能性を最大限に引き出し、インターベンション放射線医学における対象者の転帰を改善するためには、継続的な研究、専門家とAI専門家との連携、そしてAIソリューションの責任ある展開が不可欠となるでしょう。

用語集

AI (人工知能): 高度なパターン認識能力を持つ技術の総称。
VIR (血管内インターベンション放射線医学): 血管や臓器の病変に対し、画像誘導下でカテーテルなどを用いて治療を行う医療分野。
ディープラーニング (DL): 機械学習の一種で、多層のニューラルネットワークを用いることで、複雑なデータから特徴を自動的に学習する技術。
Dice類似度係数 (DSC): 画像セグメンテーションの精度を評価する指標の一つ。0から1までの値を取り、1に近いほど高い精度を示す。
AUC (Area Under the Curve): ROC曲線の下面積。分類モデルの性能評価指標の一つで、1に近いほど高い性能を示す。
ラジオミクス: 医療画像から抽出される、視覚では捉えにくい定量的な特徴を分析する技術。
機械学習 (ML): データから学習し、予測や意思決定を行うアルゴリズムの総称。
セグメンテーション: 医療画像の中から特定の臓器や病変の領域を自動的に区別・抽出するタスク。
検出 (Detection): 医療画像の中から特定の病変やデバイスの存在を自動的に識別するタスク。
予測/予後予測 (Prediction/Prognostication): 治療の成果や対象者の将来的な状態、合併症のリスクなどを事前に予測するタスク。
エンドリーク: 血管内動脈瘤治療（EVARなど）後に、ステントグラフトと動脈瘤壁の間に血液が漏れる合併症。
腹部大動脈瘤 (AAA): 腹部の大動脈に発生する病変。
胸部大動脈瘤血管内治療 (TEVAR): 胸部大動脈瘤に対し、ステントグラフトを用いて血管内から治療を行う手技。
腹部大動脈瘤血管内治療 (EVAR): 腹部大動脈瘤に対し、ステントグラフトを用いて血管内から治療を行う手技。
肝動脈化学塞栓療法 (TACE): 肝臓がんに対し、肝動脈から抗がん剤と塞栓物質を注入する治療法。
肝動脈放射線塞栓療法 (TARE): 肝臓がんに対し、肝動脈から放射性物質を含むマイクロビーズを注入する治療法。
経頸静脈肝内門脈大循環シャント術 (TIPS): 門脈圧亢進症に対し、頸静脈から肝臓内にシャント（バイパス路）を作成する手技。
末梢挿入型中心静脈カテーテル (PICC): 腕の静脈から挿入し、先端が中心静脈に留置されるカテーテル。
下大静脈フィルター (IVCF): 下大静脈に留置され、肺塞栓症を予防するためのフィルター。
透視 (Fluoroscopy): X線を用いて、体内のリアルタイム画像を動画として観察する技術。
デジタルサブトラクションアンギオグラフィー (DSA): 造影剤を用いて血管を鮮明に描出し、背景の骨などを除去した画像を得る技術。
畳み込みニューラルネットワーク (CNN): ディープラーニングの一種で、画像認識に特に優れた性能を発揮するニューラルネットワーク。
コンピュータ断層撮影 (CT): X線を用いて体の断面画像を撮影する検査。
磁気共鳴画像法 (MRI): 強力な磁場と電波を用いて体の断面画像を撮影する検査。
超音波検査 (US): 超音波を用いて体内の様子を画像化する検査。
X線検査: X線を用いて体の画像を撮影する検査。
解釈可能性 (Interpretability): AIモデルがどのように決定を下したかを人間が理解できる能力、またはそのための技術。
説明可能なAI (xAI): AIモデルの意思決定プロセスを人間が理解できるようにするための技術。
アルゴリズムバイアス: AIモデルが特定の集団に対して不公平な予測や決定を下す傾向。