「診断ツイン」：観察・診断・ナビゲーションを行うスキャンに知能を組み込む

毎年、世界中で10億件もの診断用画像が読影されています。そのほとんどは、目で見れば一目でわかるような所見を示しています。しかし、ごく一部の画像には、人生を変えるような所見が、内視鏡の視野には決して映らない気道の分岐部にある、わずか1ミリ幅の影の中に隠されているのです。 医療画像診断は現代医療の根幹であり、その市場規模は2024年に420億米ドルに達し、2032年までに680億米ドルを突破する見込みだ。しかし、この10年間のより深い真実はもっと単純だ。もはや画像そのものがボトルネックではない。問題なのは、その画像をどう活用するかである。

だからこそ、私はある一つのアイデアに繰り返し立ち返るのです。「診断の双子」という概念です。

今日の医療技術（MedTech）における真のギャップ

医療技術（MedTech）におけるAIは、もはや実験的な段階ではありません。それは存亡に関わる問題です。高齢化、過重な業務に追われる放射線科医、そしてそれを読み取る人間よりも速いペースで増え続けるデータセット――これらにより、私たちの業界は、より優れたモデルだけでは解決できない段階に差し掛かっています。 世界の外科用画像診断市場は、2025年の57億6000万米ドルから2034年には96億米ドルへと拡大すると予測されており、米国だけでも病院が外科用画像診断機器に年間50億米ドル以上を費やしている。支出は増加している。しかし、インテリジェンスのギャップはそれ以上に急速に拡大している。

私は、空間的な文脈が限られ、血管も確認できない状況下で、気管支鏡が米粒ほどの大きさの結節を目指して千もの気道をくぐり抜けていく様子を目の当たりにしてきました。スキャン画像が示す情報と、デバイスが把握すべき情報との間のこのギャップこそが、次世代の医療技術（MedTech）の成否を分ける鍵となるでしょう。

静止画像から「リビング・ツイン」へ

デジタルツインとは、単なるマーケティング用の外見をまとった3D再構成ではありません。適切に構築されたデジタルツインとは、単一のCTスキャンから作成された患者固有のモデルであり、構造的、診断的、処置的、行動的という4つの知能段階を経て進化するものです。 各段階ごとに、医療機器や臨床医が行動に移せるレイヤーが追加され、LTTSの「Lung Digital Twin | LTTS」のようなアプローチが示すように、スキャン画像は静的な画像から実用的な参照情報へと変化していきます。

構造層では、気道、血管、肺葉のすべてを自動的にマッピングします。その90％以上がAIによって自動化されており、手動によるアノテーションは不要です。診断層では、腫瘍、線維化、肺気腫、閉塞を検出して位置を特定し、各結論に至った経緯を示します。 手技層は、血管近接マッピングや分岐ごとのガイダンスにより、内視鏡が動く前にスキャン画像を操作ルートに変換します。次にロードマップに掲げられている行動層は、患者への処置決定に至る前に、気流、疾患の進行、および「もし～なら」というシナリオをシミュレートします。 

1回のCT検査。4つのインテリジェンス層。肺、肝臓、心臓、脳、眼にすでに適用されている、再利用可能な単一のパイプラインです。

なぜ「モデル競争」は誤った競争なのか

私たちの業界は過去5年間、精度スコアの向上を追い求めてきました。その努力は無駄ではありませんでした。しかし、不十分だったのです。 ボトルネックは一度もモデル化されなかった。それは、臨床医の問いを設計仕様書に変換し、その仕様書を、規制当局が承認し、医療機器が筐体内で動作し、病院のITチームが火曜日の朝にサポートできるシステムへと落とし込むという一連のプロセスそのものだった。

この一連のプロセスには名前があります。私たちはそれを「エンジニアリング・インテリジェンス（EI）」と呼んでいます。

EIとは、私たちが構築するあらゆるもの、そして構築に用いるあらゆるものにインテリジェンスを組み込むための体系です。これはエンジニアリングの複雑性を理解し、それを大規模な知性へと変換するものです。 EIは4つの形態で現れ、そのすべてが「診断ツイン」の中で確認できます。物理システムのために推論を行う「エンジニアリングAI」、行動を起こす「エージェント型AI」、デバイス内部で動作する「物理AI」、そして機器群全体で動作する「産業用AI」です。

ツインに適用されたEIこそが、セグメンテーションの結果がナビゲーション可能な経路となる理由です。推論が、臨床医が信頼し、審査担当者が承認する説明となる理由でもあります。また、今日肺をマッピングしたのと同じアーキテクチャが、一からやり直すことなく、次の四半期には肝臓をマッピングできる理由でもあります。

「データ」という問題――「もっとデータ」では誰も解決できなかった

医療AIは、誕生当初から適切なデータ不足に悩まされてきました。業界としての私たちの対応は、より多くのデータを要求することでした。より大規模なコホート。より正確なラベル。より多くの医療機関。しかし、それだけではギャップを埋めることはできませんでした。

アノテーションだけでは、臓器レベルの知能には到達できません。データの不足を克服する設計が必要です。90％以上の自動化されたセグメンテーション。 多ソースの臨床トレーニングデータ。事後的に付け足すのではなく、モデルに組み込まれた説明可能性。これらは、データに関する決定以前に、エンジニアリング上の決定事項です。これこそが、Twinがベンチマーク上で正確であるだけでなく、実世界でも堅牢である理由なのです。

エンジニアリングの伝統が重要な理由

この分野には、偽りようのない信頼性があります。それは、医療機器を製造する工場、機器を動作させるソフトウェア、そして今やそれらに組み込まれる知能を、自ら構築してきたことに由来します。 だからこそ、医療機器メーカーのCTOは、患者の体内に埋め込まれるデバイスのインテリジェンス層を共同で所有するパートナーを信頼できるのです。だからこそ、当社のナビゲーション手法は特許を取得しています。だからこそ、NVIDIAはRSNA 2025において、呼吸器診断分野で高速化されたAIインフラがどのような成果をもたらすかを実証するために、当社のプラットフォームを選んだのです。

私が出会うAI企業の多くは、ソフトウェア分野から医療技術（MedTech）の世界に参入してきました。しかし、私たちはソフトウェアエンジニアリングの分野からこの業界に参入しました。この業界において、その順序は重要な意味を持ちます。

現在は1つの臓器、ロードマップには5つの臓器

肺は、現在、診断用ツインの導入において最も成熟した環境の一つですが、その原理は呼吸器ケアをはるかに超えて、肝臓疾患、心血管診断、神経学、眼科にまで広がります。

このコンセプトを魅力的にしているのは、単一の臓器をモデル化することではなく、多くの臨床アプリケーションをサポートする再利用可能なエンジニアリング・フレームワークの可能性にあるのです。 患者固有の画像データ、AIによる解釈、手技のガイダンス、シミュレーションを共通のアーキテクチャ内で統合することで、診断ツインは将来の診断・治療の革新と共に進化する基盤を提供し得る。これにより、医療技術企業には戦略的な問いが突きつけられる。各領域ごとに個別のAI機能を構築するか、それとも長期的に幅広いポートフォリオをサポートするスケーラブルなプラットフォームに投資するか、である。

「早めの対策」

「早めの対策が後々の手間を省く」という言葉があるが、医療技術（MedTech）の分野では、これは市場投入までの期間の短縮、コンプライアンスコストの削減、そして患者アウトカムの向上を意味し得る。 次世代の医療を形作る可能性が高いのは、今すぐ行動を起こしている組織だ。つまり、孤立したパイロットプロジェクトではなく、製品ライフサイクル全体にわたりAIを統合し、導入当初から臨床ワークフローや規制に整合させ、デバイスそのもののレベルで対応できるエンジニアリングパートナーを選定している組織である。

次の差別化要因は、センサーやモデルそのものではなく、その両者の間に存在する「診断ツイン」にあるかもしれません。これはデバイスを誘導し、各ステップの背後にある推論を臨床医に提示するものです。結局のところ、この業界は戦略的な選択に直面しています。精度のみを追求し続けるか、あるいは画像データを臨床的知見に変換する「エンジニアリング・インテリジェンス」というより広範な分野に投資するか、ということです。