病院の会議室で、AI読影支援の導入が議題に上がった。
資料には、他院で精度が上がったという数字が並んでいた。
半年後。放射線科の医師は、AIが印を付けた画像の確かめ直しに追われていた。
読影の時間は、導入前より延びていた。
同じ製品が、別の施設では医師の負担を減らしている。
製品は同じなのに、結果は逆になった。半年の間に、何が二つの病院を分けたのか。
医師が足りない現場に、印を付ける機械が来た
医師がCTやX線の画像を読んで診断する作業を、読影と呼ぶ。
検査の件数と画像の枚数は、増え続けている。増える画像に対し、診断する医師の数は足りない。
日本放射線科専門医会の国際比較では、日本の放射線科医は人口100万人あたり36人だった。
比べた26か国で最も少なく、平均の101人の約3分の1である。主に2004年前後の数字だ。
CTとMRIの装置1台あたりで見ると、医師は平均3.3人に対し、日本は0.3人だった。
装置は多く、読む医師は少ない。その隙間を埋める道具として、AIが現場に入ってきた。
AI読影支援は、読影する医師の画面で、疑わしい箇所に印を付ける。
印は、医師への知らせにすぎない。最終の診断には、医師が責任を持つ。
2019年、エルピクセルの「EIRL」シリーズが、国の承認（薬機法にもとづく承認）を国内で初めて得た。
深層学習（データから特徴を学ぶAIの手法）を使った、プログラム医療機器としての承認である。
プログラム医療機器とは、医療機器として扱うソフトウェアのことだ。
胸部X線向けの「EIRL Chest Screening」は、2023年12月時点で630施設以上に入っている。トライアルを含めた数だ。
一方で、多くのAIについて、診療報酬上の明確な評価は今も空白のままである。
診療報酬の後ろ盾は薄い。それでも入れる道具が、最も足りない資源である医師の時間を、削るのか、増やすのか。
印が増えるほど、医師の時間は延びる
偽陽性とは、健康な部位を、AIが疑わしいと示すことだ。
印が付けば、医師は確かめ直す。偽陽性が多いと、確かめ直しが増える。
読影の時間は、かえって延びる。冒頭の医師を追い立てていたのは、この確かめ直しだった。
設定を、見落としを減らす側に寄せると、偽陽性が増える。偽陽性を減らす側に寄せると、見落としの危険が増える。
どちらへ寄せるか。向きを決めるのは製品の性能ではなく、施設の評価基準である。
評価基準は、見落としと読影の時間のどちらを上に置くかを決める。
同じ「効果」という言葉の下で、何が起きていたか
会議の資料にあった「効果」も、中身を開けると一つではない。
小松病院では、AIが疑わしい箇所を色の濃淡の図（ヒートマップ）で示す。
肺の上端（肺尖部）や下端（肺底部）の見落としへの、医師の不安が減った。
がん研究会有明病院は、Googleと共同で、乳房X線検査（マンモグラフィ）のAIを二人目の読み手にした。
二人の医師で読む方式（二重読影）と比べ、精度が7.6%上がったという報告がある。
小松病院が効果と呼ぶのは、医師の気持ちの変化だ。有明病院が効果と呼ぶのは、精度の数字である。
言葉は同じでも、中身はまるで違う。
他院の事例を根拠に使う前に、自分の施設が何を効果と呼ぶかを決めておく。
浮いた時間は、どこへ消えたのか
うまく時間が浮いても、話は終わらない。
米国では、AIで浮いた時間を予約の追加に回した医師もいるという報告がある。
予約を増やせば、読む画像も増える。医師の読影の負担は、導入前の量に戻る。
設定で時間を失い、浮いた時間も予約で埋める。二つが重なれば、医師の手元には何も残らない。
浮いた時間を何に使うか。決めていない施設では、時間は静かに別の仕事へ流れていく。
導入の前に、優先する側と浮いた時間の使い道を書いてAIに渡す
性能の数字は、検証した施設の装置と患者層を前提にしている。
他院の数字だけで導入を決めるのは、他人の視力検査の結果で自分の眼鏡を作るようなものだ。
導入の前に、次の二行を書く。
- 見落としを減らすことと、読影の時間を減らすことの、どちらを上に置くか
- 浮いた時間を何に使うか
二行を書いてから製品を比べると、性能表で読む欄が決まる。
製品の比較をAIに頼むときも、二行の評価基準を前提として渡す。
次のプロンプトのかっこの中を、自分の施設に書き換えて使える。
（例：胸部X線のAI読影支援）の製品を比べます。
前提：（例：見落としを減らすことを、読影の時間を減らすことより上に置きます。浮いた時間は、難しい症例の読み直しに充てます）
お願い：製品ごとに、偽陽性と見落としの資料を並べてください。前提に照らした長所と短所も添えてください。前提を受け取ったAIは、頼んだ施設の評価基準で製品を並べる。
半年後の確かめ直しは、どこで防げたのか
会議室の資料には、他院の精度の数字が並んでいた。
並んでいなかったのは、自分の施設の二行である。
半年後、医師が確かめ直しに追われるか、負担が軽くなるか。分かれ目は、製品を選ぶ前の二行にあった。
拙著『GoogleのAI NotebookLM 意思決定の強化書』の4章3節に、この記事の考え方を書きました。読むと、「患者の安全を守る」という言葉を、どの指標にどれだけ重みを置く基準に落とせているかを問い直せるようになります。
同じ資料を見ているのに、なぜ結論が割れるのか。
『GoogleのAI NotebookLM 意思決定の強化書』
前提が結論を決める。意思決定を根拠、前提、結論の三層に分け、前提を対象、目的、制約、評価基準の四つで言葉にする本です。
読み終えたとき、手元に残るもの
- 意思決定の設計図になる前提リスト
- 資料を事実、意見、噂、ゴミに仕分けるFORT
- 同じ物差しで比べる選択肢表と採点表
- 始める条件と止める条件を書いた決定書
NotebookLMは2026年7月にGemini Notebookへ名称が変わりました。本の手法は、使うAIの種類を問いません。