人工知能を用いた超音波診断と濾胞性甲状腺新生物の層別化：多施設共同研究

甲状腺結節のある人にとってなぜ重要か

多くの人が健康診断などで甲状腺結節を指摘され、その成長が良性か悪性かを知るまで不安な数週間を過ごします。本研究は、人工知能（AI）が濾胞性新生物と呼ばれる特定の甲状腺病変の超音波画像を人間の専門家よりも正確に読影できるかを検討し、不必要な手術を避けつつ、危険な腫瘍を見逃さない助けになるかを探っています。

良性と悪性が同じように見えるとき

濾胞性甲状腺腫瘍には主に二つの形態があります。良性の腺腫（adenoma）と、血管に浸潤して転移する可能性がある癌（carcinoma）です。顕微鏡所見でも超音波検査でも、これらの腫瘍はしばしば非常に似て見えます。熟練した放射線科医や病理医でも術前に見分けるのが難しく、その結果、多くの患者が確定診断を得るために甲状腺の半分または全摘を受けます。問題は重大です：一部の癌は低侵襲で予後良好なのに対し、他はより攻撃的であり、正確な病型を知ることは手術の程度や術後管理を決める上で重要です。

コンピュータに甲状腺超音波を読ませる

研究者たちはこれまでで最大級の濾胞性甲状腺超音波画像コレクションの一つを編成し、中国全国31病院、2,567人の患者のデータを集めました。各結節について、放射線科医が標準的な白黒超音波画像上で該当領域を描画しました。視覚アーキテクチャの一つであるConvNeXtに基づく最新の深層学習システムを段階的に訓練しました。まず良性腺腫と癌を識別するよう学習させ、次に癌の中で侵襲性の低いものと高いものに分類するよう学習させました。これはおおむね低・中・高リスクの病型に対応します。研究チームはさまざまなタイプの超音波情報を検討し、標準的なグレースケールのBモード画像が、品質のばらつきが大きいカラードップラー画像よりもAIにとって信頼性が高いことを見出しました。

実臨床でのAIの性能

開発したラボ外でもシステムが通用するかを確認するため、著者らは異なる良性・悪性の混合比を持つ他院の3つの独立コホートで検証しました。これらの施設全体で、腺腫と癌を分けるタスクにおいてAIは一貫して高い性能を示し、AUC（判別能）の値は概ね0.82〜0.85でした。より難しい3群分類（良性、最小限侵襲性癌、より侵襲的な侵襲癌）でも良好な成績を維持し、すべての病院で高い性能が保たれました。重要な点として、このモデルは男女別、異なる手術手技、ほとんどの地理的領域においてほぼ同等に働き、幅広い臨床環境で有用である可能性を示唆しています。

放射線科医の代わりではなく、協働するために

研究はもう一つ実践的な疑問にも答えようとしました：このAIは実際に医師の意思決定を改善するか？既存の甲状腺超音波スコアリングのみを用いた場合、放射線科医の癌同定性能はAIより明らかに劣っていました。AIの出力と同じ画像上の“注目マップ”を提示すると、放射線科医の精度は上がり、場合によってはほぼAIと同等になりました。若手医師ほど恩恵が大きかった一方で、熟練の専門家も利点を得ました。同時に、AIが誤ったケースの解析からは弱点も明らかになりました：それらの画像ではシステムが本当の腫瘍内部の疑わしい特徴ではなく、腫瘍外の領域に注目しがちであり、今後の改良点を示しています。

患者にとっての意義

平易に言えば、本研究は、十分に訓練されたAIが甲状腺超音波読影における非常に一貫した第二の目として機能し得ることを示唆しています。濾胞性甲状腺結節を持つ患者にとって、このようなツールは手術前に危険な癌を見逃す確率を下げる一方、良性腺腫による過剰な侵襲的治療の機会を減らす可能性があります。モデルは専門家の判断に取って代わる準備はできておらず、他国やより多様な患者集団での追加検証が必要です。しかし、超音波ワークステーションやスキャナの一部として組み込まれれば、手術や追跡観察を個々人の真のリスクレベルに合わせる手助けとなり、かつて曖昧だった甲状腺診断の領域をより明確にする助けになるでしょう。

引用: Li, J., Zhang, H., Zheng, H. et al. Artificial intelligence-enabled ultrasound diagnosis and stratification of follicular thyroid neoplasms: a multi-center study. npj Digit. Med. 9, 313 (2026). https://doi.org/10.1038/s41746-026-02489-6

キーワード: 甲状腺超音波, 濾胞性新生物, 人工知能, がんリスクの層別化, 医用画像