CT画像における肺結節評価AIの科学的根拠を総覧：進化と課題

July 20, 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: Scientific evidence of commercial artificial intelligence products for pulmonary nodule assessment on CT scans: a systematic review
European Radiology｜被引用数: 0（2026年7月18日時点）

肺がんの早期発見において、CT画像による肺結節の評価は非常に重要です。近年、この評価を支援する人工知能（AI）ソフトウェアが注目され、多くの製品が市場に登場しています。しかし、これらの市販AI製品の有効性に関する科学的根拠はどこまで確立されているのでしょうか？本ブログ記事では、この疑問に答えるため、2012年から2024年までの期間に発表された関連研究を包括的にレビューした論文「CTスキャンにおける肺結節評価のための市販AI製品の科学的根拠：系統的レビュー」の内容を詳しく解説します。この論文は、AIの有効性を評価するための「Radiology AI Deployment and Assessment Rubric（RADAR）」モデルを用いて、時間の経過とともにAI研究の焦点がどのように変化してきたかを分析しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	市販AI製品に関する系統的レビューであり、既存の論文データを基に実施可能。
Ethical倫理面	研究倫理委員会承認不要の公開データ/ベンダーデータ使用であり、対象者アウトカムや社会的影響に関する証拠が不足。
Interesting面白さ	肺結節評価AIの進化と臨床実装の課題を包括的に示し、関連専門家にとって興味深い。
Novel新規性	特定の臨床領域（肺結節評価）に焦点を当てたAI有効性の系統的レビューとして独自性がある。
Relevant切実さ	肺がん早期診断におけるAIの臨床的役割と今後の研究方向性を示す点で関連性が高い。
Measurable測定可能性	RADARフレームワークに基づき、AIの技術的有効性から対象者アウトカムまでの6段階で測定。
Modifiable派生・改善	対象者アウトカム、費用対効果、社会的影響に関する研究が不足しており、将来の研究で修正・追加可能。
Structured文章構造	PRISMAガイドラインに準拠し、RADARフレームワークとQUADASによる系統的評価を実施。
PICO / PECO対象・介入・比較・結果	P (CTスキャンで肺結節評価を受ける対象者), I (市販AIツール), C (AI非使用または専門家読影), O (AIの有効性：RADARレベル、診断性能、ワークフロー効率など)。

肺がん早期発見の切り札：AIの役割

どうも、Beyond the Pixelです。肺がんは依然としてがんに起因する死亡原因のトップであり、早期診断が対象者の予後と生存率の改善に不可欠です。CTは、潜在的に悪性の結節を検出・評価することで早期診断を可能にする画像診断モダリティです。日々大量の胸部CTスキャンが実施される中で、これらの結節を評価する作業は臨床診療の日常的な一部となっています。しかし、その広範な使用にもかかわらず、専門家による画像診断と解釈には課題がないわけではありません。専門家は、膨大な業務量や、より目立つ、あるいは緊急性の高い状態に焦点を当てる傾向があるため、胸部CT評価中に肺結節を見落とすリスクが高まることがあります。このような状況において、人工知能（AI）は臨床診療を再定義する貴重な機会を提供します。AIは肺結節の検出と分析を自動化し、専門家の業務量を削減しながら、見落とされたり誤って解釈されたりした結節を捕捉する安全網として機能します。結節を特定するためのコンピューター支援検出（CADe）と、結節の機能の詳細な分析と評価のためのコンピューター支援診断（CADx）を特徴とするこれらの技術は、現在広範な研究の対象となっており、徐々に市場に投入されています。しかし、CTスキャンにおける肺結節評価のための市販AIソフトウェアのリアルワールドでの有効性と経時的な進化に関する科学的根拠は、これまで包括的に評価されていませんでした。このギャップは、これらの技術が実際の臨床現場でその約束を果たすことを確実にするための徹底的な評価の必要性を浮き彫りにしています。その能力を完全に理解するためには、単なる技術的性能を超えた包括的な評価が必要です。Radiology AI Deployment and Assessment Rubric（RADAR）フレームワークは、技術的性能や診断精度から、臨床的意思決定、治療選択、長期的な対象者アウトカム、さらには社会的な利益に至るまで、有効性のあらゆる側面を考慮した詳細な評価を提供します。

**Figure 1.** Fig. 1 Pyramid representation of the RADAR levels of efﬁcacy in evaluating AI tools. The pyramid illustrates the hierarchical framework, starting with Level 1: technical efﬁcacy at the base, which assesses the foundational functionality of AI algorithms, such as image processing and segmentation. Moving upward, Level 2: diagnostic accuracy efﬁcacy evaluates the AI’s ability to provide accurate diagnostic outputs. Level 3: diagnostic thinking efﬁcacy considers the impact of AI on a clinician’s diagnostic reasoning. Level 4: therapeutic efﬁcacy examines how AI inﬂuences treatment decisions and management strategies. Level 5: patient outcome efﬁcacy measures the effect of AI on patient health outcomes, and ﬁnally, at the apex, Level 6: societal efﬁcacy evaluates the broader societal and public health implications of implementing AI systems解説: この図は、AIツールの評価におけるRADAR（Radiology AI Deployment and Assessment Rubric）有効性レベルのピラミッド表現を示しています。下部のLevel 1（技術的有効性）から始まり、上部のLevel 6（社会的有効性）へと階層的にAIの有効性を評価するフレームワークを表しています。

この包括的なアプローチに沿って、本稿では、CTスキャンにおける肺結節評価のためのCEマーク取得済みおよび/またはFDA承認済みAIベースのCADe/xソフトウェアの有効性を示す利用可能な科学的根拠に関する系統的レビューを提示します。本研究は、2012年1月から2024年11月までの期間に発表された研究を対象としています。

AI評価の標準：RADARフレームワークの採用

本系統的レビューは、PRISMAガイドラインに準拠して実施され、CEマーク取得済みおよび/またはFDA承認済みAIベースシステムに関する研究を特定するために、電子データベース（2012年1月から2024年11月）を徹底的に検索しました。組み入れ基準は、査読済みであること、英語で書かれていること、オリジナル研究であること、そしてCTスキャンにおける肺結節評価のためのCEマーク取得済みまたはFDA承認済みAIアプリケーションに焦点を当てていることでした。最終的に合計95の研究がレビューの対象となりました。これらの研究は、AIの有効性を経時的にさまざまな階層レベルで評価するために、Radiology AI Deployment and Assessment Rubric（RADAR）というフレームワークを用いて系統的に分類されました。RADARモデルは、診断画像処理の有効性を評価するためのFrybackとThornburyの元の6レベルフレームワークに基づいており、技術的有効性（Level-1）、診断精度有効性（Level-2）、診断的思考有効性（Level-3）、治療的有効性（Level-4）、対象者アウトカム有効性（Level-5）、および社会的影響（Level-6）をカバーしています。本レビューでは、このRADARフレームワークの最初の6つのレベルが考慮されました。また、AIアプリケーションは、結節検出に焦点を当てたCADeツール、結節の測定とセグメンテーション（定量化）のためのCADxツール、結節の形態学的特徴（特性評価）に関する洞察を提供するツール、および検出された結節の悪性リスクを評価するシステム（悪性度予測）の4つのカテゴリーに分類されました。研究の質は、QUADASベースのフレームワークを使用して独立して評価されました。

**Table 1.** Table 1 Summary of study characteristics解説: この表は、組み入れられた研究の主要な特性を要約しています。研究デザイン（横断研究が72.6%）、単一施設/多施設（単一施設が61.1%）、スクリーニング設定（はいが54.7%）、ベンダー関与（はいが64.2%）、データ発生源の大陸、および評価されたAIツールの種類とベンダーが含まれています。

組み入れられた研究のほとんどは、横断研究（72.6%）であり、多施設研究は38.9%でした。データは、北米、東アジア、西ヨーロッパに集中していました。評価されたAIソフトウェアアプリケーションは14ベンダーにわたる多様なものでした。

**Table 2.** Table 2 Overview of AI tools for pulmonary nodule evaluation解説: この表は、肺結節評価に使用されるAIツールの概要を示しており、ベンダー名、AIツール名、規制当局の承認状況、適用分野、リリース日、およびベンダーからの回答状況が含まれています。CADe、CADx、CADeとCADxを組み合わせたツールが示されています。

注目すべきは、研究の半数以上（64.2%）にベンダーの資金提供または共著者が関与していたことです。

研究の進化とAIアプリケーションの動向

2012年から2024年の間に、研究数は2012年から2017年の14件から、2024年には合計95件へと増加しました。

**Figure 2.** Fig. 2 Trends in study volume and the highest RADAR level achieved (2012–2024). The bar chart illustrates the number of studies conducted during each consecutive two-year period, spanning from 2012 to 2023, with the ﬁnal bar representing studies conducted between January and November 2024. Each bar is divided into segments, representing the number of studies achieving speciﬁc RADAR levels, highlighting the highest level of evidence reached in each study解説: この棒グラフは、2012年から2024年の2年ごとの期間における研究数の傾向と、各研究で達成された最高のRADARレベルを示しています。出版数は2012-2013年の4件から2022-2023年の31件へと増加し、特に2020年以降に顕著な加速が見られます。各棒は、その期間に達成されたRADARレベル別に色分けされています。

RADAR有効性モデルを用いて研究を分類したところ、初期の期間（2012年から2017年）では、ほとんどの研究がより低い有効性レベルに焦点を当てており、Level-1（技術的有効性）とLevel-2（診断精度有効性）が83.3%を占めていました。この期間、AIアプリケーションは主に定量化（46.7%）に焦点を当てていましたが、悪性度予測はわずか6.7%の研究でしか扱われていませんでした。

**Figure 3.** Fig. 3 Evolution of evidence across efﬁcacy levels for AI in lung nodule evaluation on CT over time. These three-ring charts display the distribution of evidence across the ﬁrst six efﬁcacy levels for AI in lung nodule evaluation on CT, as identiﬁed in articles published during cumulative periods: 2012–2017, 2012–2021 and 2012–2024. Each article may contribute evidence to multiple levels of efﬁcacy. Each segment of a ring chart represents the proportion of evidence found for a speciﬁc efﬁcacy level within the given time period解説: この3つのドーナツチャートは、CTにおける肺結節評価AIに関する有効性レベルの証拠の進化を、累積期間（2012-2017年、2012-2021年、2012-2024年）にわたって示しています。初期はLevel 1とLevel 2が主でしたが、時間が経つにつれてLevel 3やLevel 4といったより高い有効性レベルの割合が増加しています。

2024年までには、Level-3（診断的思考有効性）、Level-4（治療的有効性）、およびLevel-5（対象者アウトカム）が全研究の3分の1以上を占めるようになりました。悪性度予測はさらに28.6%に増加し、結節特性評価が4.5%の研究で登場しました。

**Figure 4.** Fig. 4 Evolution of the distribution of areas of application for AI in lung nodule evaluation over time. These six ring charts display the distribution of areas of application (detection, characterisation, quantiﬁcation, and malignancy prediction) for AI in lung nodule evaluation on CT, across cumulative periods: 2012–2017, 2012–2021 and 2012–2024. Each article may contribute to multiple areas of application. Each segment of a ring chart represents the proportion of studies focusing on a speciﬁc area of application within the given time period解説: このドーナツチャートは、CTにおける肺結節評価AIの応用分野（検出、特性評価、定量化、悪性度予測）の分布の進化を、累積期間（2012-2017年、2012-2021年、2012-2024年）にわたって示しています。初期は定量化が中心でしたが、時間が経つにつれて悪性度予測の割合が増加し、特性評価も登場しています。

この進歩にもかかわらず、対象者アウトカムや費用対効果の有効性（Level-5とLevel-6）に関する研究は依然として限られています。

**Table 3.** Table 3 Publication trends by efﬁcacy level across two-year intervals (2012–2024)**解説:** この表は、2年ごとの期間（2012年から2024年）にわたる有効性レベルごとの出版傾向を示しています。各期間において、報告された最高のRADARレベルとすべてのRADARレベルの出版数がまとめられています。時間が経つにつれて、より高いRADARレベルの研究が増加していることがわかります。

また、組み入れられたすべての研究は、少なくとも1つの領域でバイアスのリスクが高いことを示しており、約3分の2がベンダーからの資金提供または共著者との関与がありました。

**Figure 5.** Fig. 5 Summary plot of QUADAS assessments for risk of bias. This ﬁgure shows the summarised QUADAS assessments of included studies concerning risk of bias and concerns regarding applicability per QUADAS domain. All studies showed a high risk of bias in at least one domain, with patient selection (53/95) and reference standard (30/95) being the most prominent. Bias in patient selection was often due to the absence of a control group or the exclusion of patients with severe lung diseases. In the reference standard domain, bias stemmed from including AI results (after radiologist review) as part of the reference standard. Applicability concerns were also identiﬁed in the index test domain (13/95), mainly because AI and non-AI assessments were conducted by different radiologists. Additionally, 28/95 studies had a high risk of bias in the ﬂow and timing domain, primarily due to the lack of a washout period解説: この図は、バイアスリスクに関するQUADAS評価の要約プロットを示しています。すべての研究が少なくとも1つの領域で高いバイアスリスクを示しており、「対象者選択」と「参照標準」が最も顕著でした。これは、コントロール群の欠如や重度の肺疾患の対象者の除外、参照標準にAI結果が含まれることなどが原因でした。

各RADARレベルにおける詳細な所見

Level-1: 技術的有効性

38の研究がLevel-1（技術的有効性）に関連する情報を提供しました。これらは主に、画像処理における失敗率（0.9%～90.4%）や、結節セグメンテーションの失敗率（5%～43.2%）、結節測定に焦点を当てていました。AIによる測定と手動測定は強い一致を示しましたが、いくつかの研究ではAIが結節サイズを過大評価する傾向があることが報告されています。技術的有効性は、結節の特性（直径、体積、質量）、画像パラメータ（減弱、造影増強、スライス厚など）、放射線量、対象者年齢、スキャナー固有の要因など、さまざまな要因に影響されることがわかりました。

Level-2: 診断精度有効性

研究の大部分（74.7%にあたる71件）がLevel-2（診断精度有効性）を扱いました。このレベルの研究は、AIの所見と参照標準を比較する診断精度に焦点を当てました。AI単独の検出ツールの感度と偽陽性率はそれぞれ46%から100%、0.09から26までと大きくばらつきがありました。悪性度予測ツールの感度は12.0%から100%、特異度は12.6%から100%でした。AI単独の性能に明確な経時的傾向は見られませんでしたが、これは研究デザインと評価方法の異質性によるものと考えられます。AIが単独の専門家を上回った研究が27件あった一方で、AIと専門家が同等の性能を示した研究が6件、専門家がAIを上回った研究が6件ありました。

Level-3: 診断的思考有効性

42件の研究がLevel-3（診断的思考有効性）を扱っており、AIが専門家の診断的思考に与える影響に焦点を当てています。AI支援により検出率が2%から92.3%に向上し、悪性度予測が0.4%から42%に改善したと報告されました。また、12件の研究では読影時間の短縮（17.4%～66.7%）が観察された一方で、3件の研究では読影時間の増加（25.1%～57.3%）が見られました。読影時間の短縮は主に同時読影モードで実施された研究で観察され、増加はセカンドリーダーモードでAIが使用された研究で見られました。

Level-4: 治療的有効性

14件の研究がLevel-4（治療的有効性）に関連する情報を提供しました。このレベルでは、AIが治療上の意思決定と対象者管理に与える影響が記述されます。AI支援により、対象者管理における専門家間の合意が向上した（カッパ値が0.4から0.6から最大0.84に改善）と報告されています。AIは良性結節における不必要なフォローアップ画像診断を減らす可能性も示されており、18.5%から100%の良性対象者で不必要なフォローアップを回避できることが示唆されました。AIによる結節の再分類が管理計画の変更につながるケースもあり、一部のケースでは結節カテゴリーのアップステージングにより早期介入が促されました。しかし、Level-4のすべての研究は後ろ向きデザインであり、報告された管理変更は、実際の臨床ワークフローでの前向きな実装というよりは、シミュレートされた、または仮説的な意思決定を反映している点に注意が必要です。

Level-5: 対象者アウトカム有効性

Level-5（対象者アウトカム有効性）に焦点を当てた研究は1件のみでした。この後ろ向き研究では、以前に取得されたスクリーニングCTスキャンにAIを適用し、サブソリッド結節を持つ対象者における肺がん死亡率を、AIによって特定されたグループと専門家によって特定されたグループで比較しました。9.3±1.2年の追跡期間中に、両グループ間で死亡率に有意な差は見られませんでした。

Level-6: 社会的有効性

Level-6（社会的有効性）を扱った研究は皆無でした。このレベルには、費用関連のアウトカムや集団レベルの健康アウトカムが含まれます。

研究の限界とAI臨床導入に向けた課題

本レビューでは、いくつかの重要な限界が浮き彫りになりました。まず、95の研究のうち61件（64.2%）にベンダーが関与しており、出版バイアスや選択的報告の可能性が指摘されます。ベンダーが関与した研究のほとんどがAI性能に関して肯定的な結果を報告しており、AIの有効性を過大評価している可能性があります。さらに、QUADASを用いたバイアスリスク評価では、組み入れられた研究全体で重大な方法論的欠点が明らかになりました。（図5）特に、対象者選択（53/95）および参照標準（30/95）の領域でバイアスリスクが高いことが示されました。研究デザインと方法論の異質性（対象者集団、参照標準、画像プロトコルなどの違い）も、AI性能評価と結果の一般化を複雑にしています。これらの要因は、研究間の直接比較を困難にし、経時的な性能トレンドの解釈を制限します。現在利用可能な市販AIツールが対象者に直接利益をもたらすかどうかは依然として不確実です。検出と意思決定支援の改善が早期診断とより良いアウトカムにつながる可能性はありますが、対象者レベルでの利益に関する直接的な証拠は限られています。これらの利益を完全に実現するためには、本レビューで特定された方法論的およびエビデンスのギャップに対処することが不可欠です。AIツールが成熟し続けるにつれて、将来の研究は、対象者アウトカム、医療利用、および費用対効果に対するAIツールの影響を確実に評価するために、実世界の臨床実装を伴う前向き多施設研究デザインを優先すべきです。技術的な強力な性能と診断精度は重要な前提条件ですが、これらだけでは意味のある臨床的価値を確立できません。Level-5（対象者アウトカム有効性）に関する研究が1件しかなく、Level-6（社会的有効性）に関する研究が皆無であるため、現在の文献には大きなギャップがあります。これらの分野の研究を拡大することは、AI技術が臨床アウトカムに意味のある長期的な改善をもたらし、医療システムの全体的な効率に貢献することを保証するために不可欠です。

肺結節AIの未来：さらなる研究がもたらす変革

結論として、胸部画像診断におけるAI技術への関心と投資の増加は、CT検査における肺結節評価のAI有効性に大きな進歩をもたらしました。2012年以降、AIは基本的な検出と定量化から、より高度なリスク層別化ツールへと進化しました。研究は、技術的および診断的有効性（Level-1/2）に焦点を当てることから、専門家の意思決定に対するAIの影響（Level-3/4）を検討することへとますますシフトしています。将来の研究は、本レビューで特定されたギャップ、特にAIの医療への統合が対象者アウトカムとより広範な社会的影響に与える影響に関するギャップに対処する必要があります。これらのギャップを埋めることで、医療分野はAIの可能性を最大限に引き出し、臨床的意思決定、対象者アウトカム、および公衆衛生を向上させることができます。

用語集

人工知能 (AI): 人間の知能を模倣して、学習、問題解決、意思決定などを行うコンピューターシステム。
CTスキャン: X線とコンピューターを用いて体の断面画像を生成する画像診断法。肺結節の検出に広く使われる。
肺結節: 肺の中にできる3cm以下の小さなしこりや影。良性のことも悪性のこともある。
コンピューター支援検出 (CADe): AIが画像から異常（結節など）を自動的に検出し、専門家に提示する技術。
コンピューター支援診断 (CADx): AIが検出された異常について、詳細な分析（サイズ、形状、悪性度予測など）を行い、診断を支援する技術。
RADAR (Radiology AI Deployment and Assessment Rubric): AIの有効性を技術的性能から対象者アウトカム、社会的影響まで6段階で評価するフレームワーク。
RADAR Level-1 (技術的有効性): AIアルゴリズムの基本的な機能（画像処理やセグメンテーションなど）を評価するレベル。
RADAR Level-2 (診断精度有効性): AIが正確な診断結果を出す能力を評価するレベル。
RADAR Level-3 (診断的思考有効性): AIが専門家の診断的推論に与える影響を評価するレベル。
RADAR Level-4 (治療的有効性): AIが治療上の決定や対象者管理戦略にどのように影響するかを評価するレベル。
RADAR Level-5 (対象者アウトカム有効性): AIが対象者の健康アウトカムに与える影響を測定するレベル。
RADAR Level-6 (社会的有効性): AIシステムの実装が社会や公衆衛生に与える広範な影響を評価するレベル。
PRISMAガイドライン: 系統的レビューとメタアナリシスを報告するための国際的なガイドライン。
CEマーク: 欧州経済領域内で販売される製品が、健康、安全、環境保護の要件を満たしていることを示すマーク。
FDA承認済み: 米国食品医薬品局（FDA）によって、安全性と有効性が承認された医療機器。
QUADAS (Quality Assessment Tool for Diagnostic Accuracy Studies): 診断精度研究の質を評価するためのツール。
悪性度予測: 肺結節が悪性である可能性をAIが予測する機能。
定量化: 肺結節のサイズ、体積などをAIが正確に測定する機能。
特性評価: 肺結節の形態学的特徴（形状、辺縁、内部構造など）をAIが分析する機能。