放射線レポート自動作成AIの信頼性向上：CONRepが示す不確実性の定量化

August 13, 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: CONRep: Uncertainty-Aware Vision-Language Report Drafting Using Conformal Prediction
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年8月13日時点）

医用画像診断におけるAIの活用は目覚ましく、放射線レポートの自動作成（ARRD）もその一つです。しかし、これまでのARRDシステムは、その予測がどれくらい確かなのか、つまり「不確実性」を明確に示せていませんでした。本研究では、この課題を解決するため、ビジョン言語モデル（VLM）を用いたARRDにおいて、不確実性を定量化する新しいフレームワーク「CONRep」を提案しました。CONRepは、コンフォーマル予測（CP）という手法を用いることで、AIが作成するレポートの信頼性と透明性を向上させ、より安全な医療現場への導入を支援します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のVLMアーキテクチャに後から適用できるモデルアグノスティックなフレームワークであり、追加計算も最小限であるため実装は実現可能。
Ethical倫理面	AI予測の不確実性を定量化し、透明性と信頼性を高めることで、医療現場でのより安全なAI導入を促進する。
Interesting面白さ	AIが生成するレポートの信頼度を数値化し、不確実な部分を明示するという、臨床的にも重要な新しいアプローチ。
Novel新規性	コンフォーマル予測を医用画像報告の不確実性定量化に応用し、画像・テキストアライメントに基づく不確実性推定を提供することで新規性を持つ。
Relevant切実さ	医用AIの臨床応用における主要な課題である信頼性と透明性を高めることに直接貢献し、専門家のワークフローを支援する。
Measurable測定可能性	分類性能（AUROC）、意味的類似性（コサイン類似度）、LLMによる合意度スコアなどで、確実な出力と不確実な出力の性能差が統計的に測定されている。
Modifiable派生・改善	コンフォーマル予測の有意水準αを調整することで、AIの自動判断と専門家レビューのバランスを柔軟に設定可能。
PICO / PECO対象・介入・比較・結果	P(対象者: 胸部X線画像に基づく放射線レポートを必要とする専門家)、I(介入: CONRepフレームワークを適用したAIによるレポート自動生成)、C(比較: 不確実性定量化をしない従来のAIレポート自動生成)、O(アウトカム: 予測の信頼性向上、不確実性の定量化と可視化、安全な臨床導入)。

はじめに：AIによる放射線レポート作成と「不確実性」の課題

どうも、Beyond the Pixelです。医用画像診断におけるAIの活用は目覚ましく、放射線レポートの自動作成（ARRD）もその一つです。ARRDシステムは、レポート作成時間の短縮、専門家の負担軽減、レポートの一貫性向上に貢献する可能性を秘めています。近年、画像とテキストの表現を共に学習するビジョン言語モデル（VLM）の進歩により、ARRDの精度は飛躍的に向上しました。しかし、これらのARRDシステムの多くは、生成するレポートの予測がどれくらい確かなのかという「予測の信頼度」を明示していません。臨床現場において、放射線画像の解釈は本質的に不確実な場合が多く、あいまいな所見や専門家間のばらつきが存在します。このような不確実性を定量化する機能（UQ）が欠如していることは、ARRDシステムが医療現場で安全かつ信頼性高く導入される上での大きな障壁となっています。この課題に対し、本研究では「コンフォーマル予測（CP）」という、モデルに依存せず、事後的に適用可能で、統計的なカバレッジ保証を提供するフレームワークを活用し、CONRepと呼ばれるCPベースのアプローチを提案しました。CONRepは、VLMが生成するレポートに不確実性評価を加えることで、その透明性と安全な臨床導入を支援することを目指しています。

CONRepの二つのアプローチ：ラベルベースと文章ベース

CONRepは、VLMを用いた胸部X線画像の解釈における不確実性定量化のフレームワークとして開発されました。本研究では、CONRepを二つの異なるパイプラインに適用し、その有効性を検証しています。一つは「ラベルベース」のアプローチ、もう一つは「文章ベース」のアプローチです。これらのパイプラインは、それぞれ異なる粒度で不確実性を評価し、医療現場の多様なニーズに対応することを目指しています。

ラベルベースの不確実性定量化

ラベルベースのパイプラインでは、ARRDを個別の二値分類タスクとして捉え、各所見の有無を評価します。この評価には、専門家が10種類の胸部病変についてアノテーションを付与した3001例の胸部X線画像を含む「ChestX-Det10データセット」が用いられました。ここでは、デコーダオンリーVLMのMedGemmaと、コントラスティブ画像-テキストVLMのBiomedCLIPという2つのVLMが分類性能について評価されました。これらのVLMの出力に対し、コンフォーマル予測（CP）を適用することで、予測結果を「確実（高信頼度）」と「不確実（低信頼度）」のサブグループに層別化しました。CPは、非適合度スコア（NCS）という、あるデータ点が予測モデルの振る舞いからどれだけ「逸脱しているか」を示すスコアを用いて不確実性を評価します。その後、設定された有意水準（α = 0.05, 0.1, 0.2）に基づき、予測セットを構築し、分類性能をAUROC（受信者動作特性曲線下面積）で比較しました。

**Figure 1.** Fig. 1 CONRep as classifier workflow. Chest radiographs are pro- cessed by two VLM paradigms: a decoder-only VLM (MedGemma) using constrained yes/no prompting and a contrastive VLM (Biomed- CLIP) using image–text similarity to estimate finding likelihoods. A calibration set is used to compute NCS and derive conformal thresh-**解説:** 胸部X線画像をデコーダオンリーVLM（MedGemma）とコントラスティブVLM（BiomedCLIP）で処理し、所見の尤度を推定します。キャリブレーションデータセットを用いて非適合度スコア（NCS）を計算し、コンフォーマル閾値を導出します。これらの閾値をテストセットに適用することで、予測セットが生成され、分類出力が統計的カバレッジ保証付きで「確実（高信頼度）」または「不確実（低信頼度）」に分類されます。

はこのラベルベースのCONRepのワークフローを示しています。

文章ベースの不確実性定量化

文章ベースのパイプラインでは、個々の所見レベルではなく、レポート全体レベルでの不確実性を評価します。これは、モデルが構造化されたラベルではなく自由形式のテキストを生成する、実際の放射線診断ワークフローを反映したものです。この実験では、放射線専門家が記述した印象部がゴールデンスタンダード（GT）として用いられた3660例の胸部X線画像を含む「Open-I胸部X線データセット」で実施されました。デコーダオンリーVLMのMedGemmaが印象テキストを生成し、CPを適用して出力を「確実」、「不確実」、または「非常に不確実」なサブグループに分類しました。生成された印象文とゴールデンスタンダード間の意味的整合性は、コントラスティブVLMで計算されたコサイン類似度を用いて定量化され、サブグループ間で比較されました。さらに、採点に使用された埋め込み空間とは独立した評価を行うため、独立した大規模言語モデル（LLM）が、生成された印象とゴールデンスタンダード間の意味的合意度と臨床的一致度をスコアリングしました。

**Figure 2.** Fig. 2 CONRep as report generator workflow. Images are input to a VLM for report generation. Image–VLMGR alignment is measured via cosine similarity using a contrastively trained VLM. CP thresh-**解説:** 画像はVLM（MedGemma）に入力されレポートが生成されます。画像とVLM生成レポート（VLMGR）間のアライメントは、コントラスティブVLM（BiomedCLIP）を用いてコサイン類似度で測定されます。キャリブレーションデータから導出されたCP閾値はテストサンプルに適用され、レポートが「確実」「不確実」「非常に不確実」に分類されます。

はこの文章ベースのCONRepのワークフローを示しています。

実験結果：確実な出力の高い信頼性

両方のパイプラインにおいて、「確実」と分類された出力は、「不確実」な出力と比較して、ゴールデンスタンダードとの合意度が有意に高いことが示されました。ラベルベースの実験では、特にMedGemmaを用いた場合、「確実」サブセットは統合、胸水、気胸の複数の所見で有意に高いAUROCを達成しました（P < 0.001）。また、線維症、結節、肺気腫でも有意差が見られました。BiomedCLIPの場合も、いくつかの所見で「確実」なケースの改善が統計的に有意でした（P < 0.05）。これらの結果は

**Table 1.** Table 1 Summary of the results. Generative (MedGemma) and contrastively (BioMedClip) VLMs performance on CXR pathologies classifica- tion. Acc accuracy, AR AUROC, AP AUPRC, Sen sensitivity, and Spe specificity解説: 生成モデル（MedGemma）とコントラスティブモデル（BiomedCLIP）のVLMが、胸部X線病変の分類において各アルファ値（0.05, 0.1, 0.2）での確実・不確実サブセットごとのパフォーマンス（比率、AUROC、P値など）をまとめた結果です。

にまとめられています。文章ベースの実験では、「確実」なケースは、生成された印象と参照印象の間で有意に高い意味的類似性を示しました（P < 0.001）。この結果は、独立したLLM評価者によっても裏付けられ、「確実」なケースに対して、「不確実」または「非常に不確実」なケースよりも有意に高い合意度スコアと一致率が割り当てられました（P < 0.001）。これらの詳細な結果は

**Table 2.** Table 2 CONRep as report generator results. Cosine similarity between GT and VLMGR was significantly higher for certain cases across all three alphas (P < 0.001). Also, both LLM continuous agree-**解説:** CONRepをレポート生成器として用いた結果です。ゴールデンスタンダードとVLM生成レポート（VLMGR）間のコサイン類似度が、3つのアルファ値すべてにおいて確実なケースで有意に高いことが示されています（P<0.001）。また、LLMによる連続的合意度スコアとバイナリの一致率も、確実なケースで有意に高いことが示されています（P<0.001）。

で確認できます。

CONRepの意義と臨床応用への展望

本研究で開発されたCONRepは、VLMを用いた放射線レポート生成における不確実性を定量化するためのCPベースのフレームワークです。ラベルレベルと文章レベルの両方でモデル出力を高信頼度（確実）と低信頼度（不確実）のサブセットに層別化できることが実証されました。これにより、VLMベースのARRDシステムの透明性、信頼性、そして臨床での利用可能性が向上します。ラベルベースのCONRepは、所見ごとの存在確率を提供しますが、場所や程度などの詳細な臨床的属性は捉えられません。一方、文章ベースのCONRepは自由形式テキストを扱い、これらの文脈的特徴を保持できます。これら二つのアプローチは相互補完的であり、組み合わせることで、確実な所見を識別し、それをより豊かなレポート形式で文脈化する、実用的な不確実性認識型ワークフローが実現可能です。

**Figure 4.** Fig. 4 Proposed integration of the label-based and sentence-based CONRep pipelines (conceptual illustration). Two scenarios show how per-finding conformal confidence from the label-based pipeline could condition an uncertainty-aware narrative from the sentence- based pipeline. In Scenario A, all findings are classified confidently (cardiomegaly certain-positive, the rest certain-negative), yielding a concise, confident impression; in Scenario B, effusion is flagged as解説: ラベルベースと文章ベースのCONRepパイプラインの統合の概念図です。シナリオAでは、すべての所見が確信度高く分類され（心肥大は確実陽性、他は確実陰性）、簡潔で確信度の高い印象文が生成されます。シナリオBでは、胸水が不確実とフラグ付けされ、その説明に焦点を当てた文章が生成され、その文章はレビューのためにフラグ付けされます。

は、ラベルベースと文章ベースのCONRepパイプラインの統合の概念を示しています。この統合により、確信度の高い所見は簡潔に記述され、あいまいな所見は詳細に説明され、さらに残存する不確実性を持つ特定の文章が明示的に強調されたレポートが生成されるでしょう。CPはモデルに依存せず、事後的に適用可能であり、追加計算も最小限で統計的カバレッジ保証を提供するため、医療画像レポート生成における不確実性定量化に多くの実用的な利点をもたらします。これにより、AIが生成したテキストだけでなく、専門家が作成したレポートに対しても、画像とテキストのアライメントが低い文章や所見を強調し、高頻度な業務における見落としを減らすことにも貢献する可能性があります。

研究の限界と今後の展望

本研究はCONRepの基本的なアプローチを確立するための方法論的な報告であり、臨床現場での実用性を実証するためのものではないことに留意する必要があります。本研究で評価されたVLMは、評価データセットで学習されていないため、ゼロショットでの性能が報告されていますが、コンフォーマルなキャリブレーションとテストは、胸部X線画像に限定された比較的小規模な、単一ソースの遡及的公開データセット内で実施されました。異なる画像モダリティや多施設環境での堅牢性はまだ評価されていません。また、CONRepはまだ臨床現場で前向きに展開・評価されておらず、すべての結果は遡及的分析に基づいています。実際の臨床的有用性と安全性に関する結論を導き出すには、今後、専門家による読影研究や前向き評価が不可欠です。将来の研究では、CONRepを他の画像モダリティや複数シーケンスの検査に拡張し、多施設での外部検証による堅牢性を評価し、専門家が関与する形での臨床展開を進めていく予定です。

用語集

ビジョン言語モデル (VLM): 画像とテキストの両方を理解し、関連付けることができるAIモデル。
自動放射線レポート作成 (ARRD): ビジョン言語モデルを用いて、放射線画像から診断レポートを自動的に作成する技術。
不確実性定量化 (UQ): AIモデルの予測がどれほど信頼できるか、その不確かさを数値的に評価する手法。
コンフォーマル予測 (CP): 統計的保証を伴う予測セット（信頼区間）を提供する、モデルに依存しないフレームワーク。
非適合度スコア (NCS): あるデータ点が予測モデルの振る舞いからどれだけ「逸脱しているか」を示すスコア。
予測セット: コンフォーマル予測によって生成される、真のラベル（または出力）が含まれると期待される値の集合。
ゴールデンスタンダード (GT): 比較の基準となる、専門家による高品質な参照データ（この研究では専門家が記述したレポート印象部など）。
AUROC: 分類モデルの性能を評価する指標で、受信者動作特性曲線下面積のこと。値が大きいほど良い性能を示す。
デコーダオンリーVLM: 入力シーケンスを受け取り、次のトークンを生成し続ける形式のビジョン言語モデル。
コントラスティブVLM: 画像とテキストを共通の埋め込み空間にマッピングし、類似度に基づいて両者の関連性を評価するビジョン言語モデル。
大規模言語モデル (LLM): 大量のテキストデータで学習され、人間のようなテキストを生成・理解できるAIモデル。