医用画像とAI — 精度より先に問われる検証設計

自施設のデータで高精度だったAIが、隣の病院では使いものにならない——医用画像AIで繰り返し報告されてきた典型的な失敗です。感度と特異度、有病率が的中率を裏返す仕組み、内部検証と外部検証の違い、施設間差の正体、そして規制が何を審査しているのかまで、「精度の数字より先に検証設計を疑う」考え方を1から組み立てます。

「うちでは当たるのに、隣の病院では外れる」

胸部X線から肺炎の疑いを拾い上げるAIを作ったとします。自施設のデータで測ると申し分ない精度が出た。ところが同じモデルを別の病院に持ち込むと、成績が目に見えて崩れる——医用画像AIの世界では、これは珍しい失敗談ではなく、繰り返し報告されてきた典型的なパターンです。

2018年に発表された検証研究では、ある病院群の胸部X線で訓練した肺炎検出モデルが、訓練に使った病院のデータでは好成績を出す一方、別の病院のデータでは成績が低下すること、そしてそのモデルが「この画像はどの病院で撮影されたか」を画像だけから高い精度で当てられてしまうことが示されました。モデルは肺炎の影だけでなく、病院ごとの「写り方の癖」まで学習していたのです。

畳み込みネットワークの仕組みを知っているだけでは、この失敗は防げません。この記事では医用画像を題材に、精度の数字より先に検証の設計を疑うという考え方を、比喩→感度と特異度→有病率→外部検証→規制の順で1から組み立てます。

比喩: 過去問を丸暗記した学生

学校の定期テストで毎回満点を取る学生がいるとします。実力者に見えますが、実はその学校の過去問を丸暗記していただけかもしれません。丸暗記かどうかは、同じ学校の問題で何回テストしても見分けられません。出題者の違う模試——つまり「別の学校の問題」を解かせて初めて、理解していたのか暗記していたのかが分かります。

医用画像AIの検証もまったく同じ構図です。自施設のデータを訓練用とテスト用に分けて測る評価は「同じ学校の再テスト」であり、別施設のデータで測る評価だけが「模試」に相当します。前者を内部検証、後者を外部検証と呼びます。内部検証の数字がどれほど高くても、それだけでは「病気を見ているのか、写り方を覚えただけなのか」を区別できないのです。

直感: モデルは「病気」ではなく「写り方」を学べてしまう

なぜ丸暗記が起こるのか。ニューラルネットは損失が下がるなら手段を選ばないからです。訓練データの中に、病気の有無と偶然相関する「近道」があれば、病変そのものより先にそちらを掴みます。これはショートカット学習と呼ばれ、医用画像には近道の材料が豊富にあります。

• 装置と撮影条件: 施設ごとにX線装置やCTのベンダー、線量、再構成の設定が違い、画像の質感（ノイズの粒、コントラスト）に固有の癖が出ます。
• 撮影の状況: 重症患者はベッドサイドのポータブル装置で撮影されがちです。すると「ポータブル画像特有の写り」と「重症」が相関し、モデルは装置の痕跡を病気のサインとして使えてしまいます。
• 患者集団: 大学病院と健診センターでは、来る人の年齢も重症度もまるで違います。
• ラベルの癖: 診断名の付け方や読影レポートの書き方は施設文化に依存します。

こうした訓練データと運用先のズレを総称してドメインシフト（この文脈では施設間差）と呼びます。内部検証と外部検証の乖離は、過学習で訓練誤差とテスト誤差が乖離するのと同じ構図が、「データ分割」ではなく「施設」の境界で起こったものです。

仕組み: 「精度」をほどくと感度と特異度になる

検証設計を語るには、まず「精度」という言葉を分解する必要があります。判定は4通りしかありません。病気の人を正しく陽性と言う（真陽性 TP）、病気の人を見逃す（偽陰性 FN）、健康な人を誤って陽性と言う（偽陽性 FP）、健康な人を正しく陰性と言う（真陰性 TN）。この4つから、性格の違う2つの指標が生まれます。