06CASE STUDY医療
非公開企業
画像診断AIで
診断業務を35%効率化
CT・MRI画像をAIで一次スクリーニング。診断医の読影負荷を軽減し、業務効率化と診断品質の底上げを両立。
- 業種
- 医療 (総合病院)
- 企業規模
- 病床数 約500床
- 支援期間
- 約12ヶ月
- テーマ
- AI導入・内製化 / 業務効率化
導入前に
抱えていた課題
検査件数の増加に対して読影を担う医師が不足し、読影待ちの発生と診断医の負荷集中が課題になっていました。
- 01
CT・MRIの撮影件数が年々増加する一方、読影医の増員が難しかった
- 02
所見のない画像の確認にも同じ時間がかかり、優先度の高い症例に時間を割けなかった
- 03
医療領域ゆえに、AIの判断をそのまま使うことへの現場の懸念が大きかった
この課題に、3つの段階で取り組みました
課題の解決に向けて
取り組んだこと
約12ヶ月の支援を、3つの段階で進めました。
- 01
一次スクリーニングに用途を限定した設計
AIに診断を委ねるのではなく、確認優先度を並べ替える一次スクリーニングに用途を限定。最終判断は必ず医師が行う前提で要件を定義しました。
- 02
院内データを用いたモデル構築と検証
匿名化した院内の過去症例でモデルを学習させ、読影医の判定を正解として精度を検証。見落としリスクを最小化する閾値設計を行いました。
- 03
既存ワークフローへの組み込みと運用整備
PACSと連携し、既存の読影フローを変えずに優先度が表示される形で導入。運用ガイドラインと定期的な精度モニタリング体制も併せて整備しました。
- 支援領域
- 体制
- コンサルタント1名・データサイエンティスト2名・エンジニア2名
- 関連サービス
この取り組みで、成果につなげました
導入後に
得られた成果
※ 院内での運用データにもとづく値です。AIは診断を確定するものではありません。
- 01
35%
読影業務の効率化
- 02
48%
要精査症例の確認待ち時間短縮
- 03
100%
医師による最終確認の実施率
この事例を
くわしく
進め方や効果の測り方など、取り組みの中身をご紹介します。
CT・MRI画像をAIで一次スクリーニング。診断医の読影負荷を軽減し、業務効率化と診断品質の底上げを両立。
この事例のポイント
AIに診断を委ねるのではなく、確認の優先度を並べ替える一次スクリーニングに用途を限定し、最終判断は必ず医師が行う前提で要件を定義しました
匿名化した院内の過去症例でモデルを学習させ、読影医の判定を正解として精度を検証。見落としリスクを最小化する閾値を設計しました
PACSと連携し、既存の読影フローを変えずに優先度が表示される形で導入。運用ガイドラインと、定期的な精度モニタリングの体制も整えました
進め方
約12ヶ月の支援を、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で、次の3つの段階で進めました。
一次スクリーニングに用途を限定した設計:医療領域であるため、AIの判断をそのまま使うことへの現場の懸念が大きくありました。そこでAIに診断を委ねるのではなく、確認の優先度を並べ替える一次スクリーニングに用途を限定し、最終判断は必ず医師が行う前提で要件を定義しました。
院内データを用いたモデル構築と検証:匿名化した院内の過去症例でモデルを学習させ、読影医の判定を正解として精度を検証しました。見落としリスクを最小化する閾値を設計しています。
既存ワークフローへの組み込みと運用整備:PACSと連携し、既存の読影フローを変えずに優先度が表示される形で導入しました。運用ガイドラインと、定期的な精度モニタリングの体制もあわせて整えました。
効果の測り方
この事例では、院内での運用データにもとづいて効果を確かめました。業務の効率だけでなく、医師による最終確認が保たれているかも指標にしています。
| 指標 | 確かめていること | 結果 |
|---|---|---|
| 読影業務 | 読影医の業務の負荷が減ったか | 35%効率化 |
| 要精査症例の確認待ち時間 | 優先度の高い症例に早く目を通せるようになったか | 48%短縮 |
| 医師による最終確認の実施率 | 最終判断を医師が行う前提が守られているか | 100% |
※ 院内での運用データにもとづく値です。AIは診断を確定するものではありません。
お客様からは、AIに任せるのではなく、見るべきものを先に教えてくれる距離感だったからこそ、現場が安心して受け入れられた、という声をいただいています。
関わった事業
この事例は、AI駆動開発事業のAIシステム開発とクラウドネイティブ対応でご支援しました。画像診断支援モデルの開発から、院内システムとの連携、運用ガイドラインの策定までを担っています。
よくある質問
AIが診断を下すのですか?
いいえ。この事例では、AIに診断を委ねるのではなく、確認の優先度を並べ替える一次スクリーニングに用途を限定しました。最終判断は必ず医師が行う前提で要件を定義しており、医師による最終確認の実施率は100%です。
モデルの精度は、どのように確かめましたか?
匿名化した院内の過去症例でモデルを学習させ、読影医の判定を正解として精度を検証しました。見落としリスクを最小化する閾値を設計し、導入後も定期的に精度をモニタリングする体制を整えています。
今の読影の流れを変える必要はありますか?
この事例では、PACSと連携し、既存の読影フローを変えずに優先度が表示される形で導入しました。
どのくらいの期間と体制で進めましたか?
支援期間は約12ヶ月で、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で進めました。
導入を
振り返って
ご担当者さまに伺ったお話です。
AIに任せるのではなく、見るべきものを先に教えてくれる。その距離感だったからこそ、現場が安心して受け入れられたのだと思います。
放射線科診療部長ほかの導入事例
近いテーマの事例をご紹介します。
導入事例をすべて見る同じような課題を
お持ちではありませんか。
現状の整理からご一緒します。まずはお気軽にご相談ください。




