血液がん診断AIで「医師の鑑別判断」はどう変わるか――日立・九大病院が示した臨床精度の意味

「診断を補助する」ではなく「鑑別を支援する」――この差が臨床現場を変える

AIが医療診断に活用されるという話は、もはや珍しくない。しかし今回、日立製作所と九州大学病院が発表した取り組みは、単に「画像を読む」「異常を検知する」という用途とは一線を画す。対象は「フローサイトメトリー（FCM）検査」という、血液悪性腫瘍の診断において専門的な読み解きが求められる検査であり、AIが担うのは「これが何の病気か」という鑑別判断の支援だ。この違いは小さいようで、臨床実務への影響という点で本質的に大きい。

16クラスの血液がんを「AUC 0.9以上」で識別――日立・九大病院のFCM診断AIが達成したこと

日立製作所と九州大学病院が共同開発したのは、フローサイトメトリー（FCM）検査データをもとに、血液悪性腫瘍の鑑別診断を支援する機械学習型AIだ。FCM検査とは、血液や骨髄の細胞を一つひとつ分析し、細胞の種類や性質を数値化する検査手法で、白血病やリンパ腫、多発性骨髄腫などの診断に用いられる。

今回のAIは、白血病・リンパ腫・多発性骨髄腫を含む計16クラスの疾患を識別対象とし、500例以上の臨床データを用いた検証において「AUC（曲線下面積）0.9以上」を達成したとされる。AUCとは診断精度を示す指標で、1.0が完全な識別を意味し、0.9以上は臨床的に高い精度の目安として広く参照される数値だ。16クラスという多疾患同時識別でこの水準に達したことは、技術的な観点からも注目に値する。

血液専門医・検査技師・診断業務DX担当者にとって何が変わるのか

直接的な影響を受けるのは、FCM検査を日常的に扱う血液内科専門医や臨床検査技師だ。FCMデータの解析・鑑別は高度な専門知識を要し、熟練者でも時間とリソースを要する作業とされる。AIによる一次スクリーニングや候補疾患の提示が実用化されれば、診断プロセスの効率化や、専門医が不在な施設でのアクセス改善につながる可能性がある。

また、病院の診断業務DX推進を担う部門や、医療AIの導入を検討する医療機器・ヘルスケア企業にとっても、臨床データに基づく精度検証のモデルケースとして参照価値が高い。500例以上という実臨床データでの検証は、学術的な概念実証にとどまらない実用志向の開発姿勢を示している。

日本の医療現場に導入されるとき、問われる「誰が使うか」という前提

日立と九州大学病院という国内の研究開発体制、そして日本の臨床データをベースにした検証という点は、日本の医療現場への適合性という意味で一定の強みとなる。海外開発のAIが日本の患者集団や診断基準に合うかを別途検証する必要があるケースと異なり、国内臨床データを起点とした開発は導入ハードルを下げる要素になり得る。

一方で、現時点では研究開発段階の発表であり、実際の臨床運用・製品化・薬事承認プロセスなどの詳細は明らかになっていない。医療AIが実際に診療現場で使われるためには、精度の高さだけでなく、承認プロセスの通過、既存の検査システムとの統合、そして運用ガイドラインの整備が不可欠だ。現段階で「使える」と判断するには情報が不足している。

AIが「鑑別を出す」時代に、医師の役割はどこへ向かうのか――NEWGATAの見立て

今回の発表で注目すべきは、精度数値そのものよりも「鑑別診断支援」という機能の位置づけだ。従来の医療AIの多くは「異常の有無を検出する」用途が中心だったが、16クラスの疾患を識別して鑑別候補を提示するAIは、医師の思考プロセスにより深く介入する。これは「補助ツール」から「判断の一部を担うシステム」への質的な変化であり、現場での責任の所在や診断フローの再設計という議論を不可避にする。

日本では高齢化による血液がん患者数の増加と、専門医の地域偏在が構造的な課題として存在する。その文脈でこのAIを捉えると、単なる精度向上の話ではなく、「専門知識へのアクセスを地理的に平準化する手段」として機能しうる可能性が見えてくる。ただし、それが現実となるには、精度の実証から承認・運用設計・現場定着までの長いプロセスが必要だ。今回の発表は、その出発点として評価できる一方で、業務判断の根拠にするにはまだ早い段階にある。医療AIの導入を検討する立場であれば、「何ができるか」と同時に「どのフェーズにあるか」を見極める視点が今こそ問われている。

本記事は公開情報をもとに、NEWGATA編集部で確認のうえ掲載しています。