MENU
PTDの最新エビデンス、その先へ
  1. ホーム
  2. ベルの休憩室
  3. 外傷診断支援AIをどう評価するか：ERATSの講演から考える精度・臨床効果・社会実装

外傷診断支援AIをどう評価するか：ERATSの講演から考える精度・臨床効果・社会実装

ベルの休憩室
外傷診断支援AI：精度・臨床効果・社会実装を考える。ベルの休憩室。

外傷診断支援AIの価値は、AI単独の感度やAUCだけでは決まらない。医師が使ったときに見落とし、判断、治療までの時間、患者の転帰がどう変わるかを、別に確かめる必要がある。外傷画像のAIは骨折、頭蓋内出血、気胸などで高い精度が報告される一方、導入先の施設で成績が下がった報告や、誤った提示に読影者が引きずられる実験もある。本稿は、2026年の日本外傷学会の教育講演で取り上げられた外傷全身CTのAI「ERATS」を出発点に、公表された原著と公式資料から、診断精度、臨床効果、国内で導入するときの制度と体制を整理する。

  • 診断支援AI
  • 外傷CT
  • 診断精度
  • 臨床効果
  • プログラム医療機器

医療従事者向け：本記事は教育および一般的な医学情報の提供を目的としています。個々の患者に対する診断・治療を代替するものではありません。

著者：外傷外科医ベル（PTD ZERO）／医学的内容の最終確認日：2026年9月25日（著者確認）。本改訂の文献照合（2026年9月23日）はAIを用いた編集作業で行い、数値・用量・適用条件を含む医学的内容は著者（医師）が確認した。外部の専門医による査読・監修は受けていない。確認範囲は記事末に文献ごとに示す。

目次

まず押さえる要点

  1. 精度の数字は、対象・参照基準・数え方とセットで読む。骨折検出AIのメタ解析（42研究）では、外部検証での統合感度91%（95%CI 84〜95%）、特異度91%（同81〜95%）で、臨床医との間に統計的な有意差はなかった。ただし外部検証を行った研究は13件で、42研究中22件（52%）がバイアスのリスク高と判定された[1]。
  2. 導入先の施設で成績が変わることがある。市販の頭蓋内出血検出AIを救急の頭部CT 3,605件で評価した単施設研究では、感度92.3%、陽性的中率81.3%で、陽性的中率は先行報告より低く、原因は特定できなかった[2]。別の施設では、硬膜下血腫の検出率が69.2%（107件中74件）にとどまった[3]。
  3. 人が使ったときの効果は、AI単独の成績とは別に測る。X線の骨折読影では、AIの支援で医師の患者単位の感度が64.8%から75.2%に上がった（差10.4ポイント、95%CI 6.9〜13.9）[4]。一方、国内で承認された肋骨骨折検出プログラムの読影試験では、併用で感度は上がったが、陽性的中率は78.3%から74.6%に下がった[5]。誤ったAIの提示で読影者の正答率が大きく下がった実験もある[6]。
  4. 「速くなった」は、どの区間の時間かを確かめる。頭蓋内出血の優先表示では、AIが陽性とした検査の読影待ち時間が陰性の検査より約3分短かった[7]。本稿の確認範囲では、外傷画像AIで患者の転帰の改善を示した無作為化試験は見つからなかった。参考として、AIではなく画像の戦略そのものを比べたREACT-2試験でも、即時全身CTと標準的な画像評価の院内死亡に有意差はなかった（16%対16%、p=0.92）[8]。
  5. 国内には外傷に関わる承認品目があるが、外傷全身CTのAIは検証の段階にある。胸部CTの肋骨骨折検出、胸部X線の気胸検出などの承認品目がある[5][9]。ERATSは2025年9月に臨床効果の検証が始まった段階で、2026年9月23日時点で確認できた査読付きの報告は症例報告1件である[10]。導入する施設は、日本医学放射線学会の管理指針が求める責任者・記録・研修に加え、自施設での性能の監視を決めておく[11]。

対象と扱わない範囲

対象：外傷診療で使う画像診断支援AIのうち、CTや単純X線で骨折、頭蓋内出血、気胸、腹腔内出血・実質臓器損傷などを検出・定量し、または読影の優先順位を付けるもの。導入を検討する医師、評価研究を読む・計画する医師の立場から、診断精度、人が使ったときの効果、国内の制度と施設体制を扱う。

扱わない範囲：

  • 生成AI（大規模言語モデル）による文書作成や研究支援。医学研究で生成AIを使う：文献検索・解析・執筆を再現可能にする実践ガイドを参照。
  • 超音波（FAST）のAI、受傷機転や生理学的指標による予後予測モデル、病院前トリアージ。
  • 個々の製品の購入や優劣の判断。本稿は特定の製品を推奨するものではない。
  • 各損傷の治療方針。脾・肝・膵十二指腸・頸部血管の損傷は関連記事を参照。

1．講演とERATSについて確認できたこと

学会の公式プログラムでは、第40回日本外傷学会総会・学術集会（2026年6月11・12日、大宮ソニックシティ）の教育講演EL18として「外傷診断支援AI『ERATS』：開発、初期運用から社会実装に向けた知財戦略まで」（演者：岡田直己〔大阪急性期・総合医療センター〕、座長：森村尚登）が掲載されている。教育講演はオンデマンド配信のみで、配信期間は6月23日から7月24日だった[12]。本稿は講演の資料や発言を根拠に用いない。以下は、公表された論文と公式資料で確かめた内容に限る。

ERATS（ER Automated Triage System）は、大阪急性期・総合医療センターの説明では「全身検索型画像診断AI」で、CT画像の中から出血などの異常箇所を10秒以内に抽出し、医師のCT診断を支援する。同センターは2025年9月から、ERATSを臨床に導入して効果を検証する臨床研究を始めた[13]。2025年9月のプレスリリースは、ERATSを「株式会社fcuroの全身検索型画像診断AI」と紹介し、岡田直己氏を同センター高度救命救急センターの医師で、同社の代表取締役CEOと記載している[14]。

2026年9月23日時点で本稿が確認できたERATSの査読付き論文は、2026年8月にオンライン公開された症例報告1件である。列車との衝突で重度のショックとなった29歳女性で、骨盤骨折の動脈塞栓術を始めた直後にERATSが腹部大動脈の異常を通知し、初期の判断で見落とされていた腎動脈より下の大動脈の解離と活動性の造影剤漏出が確認され、血管内治療で止血された。論文の利益相反の欄には、筆頭著者がfcuro社の役員（board member）であることが記載されている[10]。

本稿の解釈1例の報告は「見つけられた例がある」ことを示すが、感度、偽陽性の頻度、治療や転帰への効果は分からない。製品に利害関係のある著者による報告と、独立した施設による評価は分けて読む。これはAI一般に当てはまる原則で、ERATSの成績を評価したものではない。

精度の研究や臨床効果検証の結果は、本稿の確認範囲では論文として公表されていない。同学会にはERATSによる活動性出血の検出を扱う演題（R-5）もあったが、抄録は確認していない[12]。薬機法上の承認・認証の情報は、日本医学放射線学会のAIソフトウェア認証一覧とfcuro社のニュース一覧では見つからなかった（未確認）[15][16]。

2．まず「何をするAIか」を決める

外傷画像のAIといっても、仕事はいくつかに分かれる。所見を見つける（検出）、量や重症度を測る（定量・分類）、読む順番を入れ替える（優先表示）のどれかによって、確かめるべき数字が違う。

  • 検出：肋骨骨折、頭蓋内出血、気胸など。感度・特異度に加え、1症例あたりの偽陽性の数と、見落とした所見の種類を見る。
  • 定量・分類：腹腔内出血の量、骨盤骨折の不安定性など。外傷性腹腔内出血130例の研究では、AIで測った血液量が、手術または血管造影による止血、大量輸血、院内死亡を合わせた複合転帰を、放射線科医2名の合意による段階的な評価より良く識別した（AUC 0.86対0.77、P=.004。転帰の解析は輸血のデータがそろった98例）[17]。全身CTで骨盤骨折の不安定性を分類するモデルもある[18]。
  • 優先表示：陽性と判定した検査を読影リストの上位に上げる。評価項目は精度より、読影までの待ち時間や診断までの時間になる[7][19]。

米国救急放射線学会（ASER）の専門家パネルによる外傷画像AIのスコーピングレビュー（233論文）では、米国FDAの承認（原文 FDA-approved）を受けた市販ツールを扱った論文が21件、試作段階のアルゴリズムが212件で、承認ツール10件中9件が検出を目的としていた。体幹部の断層画像のデータセットは一様に小さく、独立した読影者による正解ラベルの作成はまれで、利用者の受け入れを評価した論文も、人とコンピュータの相互作用を組み込んだ方法もなかった[20]。

本稿の解釈出力を読影の前に見せるか後に見せるか、救急医と放射線科医のどちらが見るかで、人の判断への影響は変わりうる。研究を読むときも導入するときも、入力、対象患者、出力の形、見る人、見るタイミングを先に確かめる。

3．精度の数字をどう読むか

参照基準と数え方

AIの成績は、何を正解としたかで変わる。元の読影レポートを正解とした研究[21]、神経放射線科医の判定を正解とした研究[2]、複数の専門医の合意を正解とした研究[4][18]では、同じ「感度」でも測っているものが違う。医用画像AIの報告指針CLAIMの2024年版は、「ground truth」を「reference standard（参照基準）」と言い換え、「validation」の代わりに内部テスト・外部テストという語を使うよう勧めている[22]。

数える単位も確かめる。患者単位、骨折（病変）単位、画像単位では値が異なり、偽陽性は「1症例あたり何個」で示されることが多い。同じ患者の別の画像が学習用と評価用の両方に入ると、新しい患者での性能を正しく測れない。

どの患者で測ったか

読影試験は、病変のある例を多く含む集団で行われることが多い。X線の骨折読影試験は骨折の割合を50%に設定し[4]、肋骨骨折検出プログラムの試験は異常32例・正常32例[5]、国内承認の気胸検出AIの単体性能は気胸87例・対照213例（気胸29%）で評価された[9]。反対に、明らかな骨折だけの画像を除いた試験もある[23]。こうした集団での陽性的中率や見逃しの数は、救急外来の実際の患者にそのまま当てはまらない。

正解率とAUCが隠すもの

正解率やAUCが高くても、臨床で困る側の誤りが多いことがある。骨盤骨折の不安定性判定では、並進方向について正解率85%、特異度93.4%に対し、感度は56.5%だった[18]。腹腔内出血量の研究の感度82%・特異度93%は、研究の中で最適とされたカットオフ値（278.9 mL）での値で、抄録には外部の施設での検証の記載がない[17]。気胸検出モデルは、小さな気胸で大きな気胸よりAUCが低かった（0.88対0.96、P=.005）[24]。

有病率で通知の意味が変わる（仮定の計算）

次は理解のための仮定の計算で、実在の製品やERATSの成績ではない。感度90%・特異度90%のAIを1,000人に使うとする。

仮定した有病率病変あり真陽性見逃し（偽陰性）偽陽性陽性的中率
1%10人9人1人99人約8.3%
10%100人90人10人90人50%

真陽性＝病変あり×感度、偽陽性＝病変なし×（1−特異度）、陽性的中率＝真陽性÷（真陽性＋偽陽性）で計算した。有病率1%では、通知108件のうち99件が偽陽性になる。同じAIでも、使う集団によって通知1件の重みと、確認する人の負担が変わる。

「見逃しゼロ」の分母

「検証で見逃しがなかった」という報告では、陽性例の数を確かめる。これも仮定の計算だが、陽性10例をすべて検出しても感度の95%信頼区間の下限は約69%、30例なら約88%、100例なら約96%である（Clopper–Pearson法）。重症の損傷が数例しか含まれていなければ、その損傷に対する性能はほとんど分からない。

4．外傷画像AIの診断精度：公表された研究

骨折（X線・CT）

Kuoらの系統的レビュー・メタ解析（2018年1月〜2020年7月、2021年6月に検索を更新）は42研究（X線37、CT 5）を含み、32研究（55,061画像）から2×2表を抽出して統合した。外部検証での統合感度はAI 91%（95%CI 84〜95%）、臨床医94%（同90〜96%）、特異度はAI 91%（同81〜95%）、臨床医94%（同91〜95%）で、内部検証（AIの感度92%、特異度91%）を含め、AIと臨床医の間に統計的な有意差はなかった。外部検証を行ったのは13研究、前向きの臨床試験で評価したのは1研究だけで、22研究（52%）がバイアスのリスク高と判定された[1]。有意差がないことは、同等であることを意味しない。

肋骨骨折では、救急外来からの外傷の全身CT 511件（2018年、読影レポートで陽性159・陰性352）で、別の8施設のデータで学習したアルゴリズムの検査単位の感度は87.4%、特異度は91.5%（報告された割合から逆算した件数による本稿の計算〔Wilson法〕で、95%CIは感度81.4〜91.7%、特異度約88〜94%）、偽陽性は1検査あたり0.16個だった。一方、骨折単位の感度は65.7%（真陽性587、偽陰性307）で、正しい検出に関連した主な因子は転位だった。読影レポートにない骨折も97個検出された[25]。

本稿の解釈検査単位では高い感度でも、骨折1本ずつでは約3分の1が拾われていない。また読影レポートを参照基準にすると、参照基準の側の見落としも結果に影響する。

国内承認の肋骨骨折検出プログラムの電子添文には、64画像の試験でのCAD単体の感度89.3%、偽陽性1.61個が記載されている（偽陽性の数え方の単位は記載がない）[5]。国内の単施設研究（高エネルギー外傷の56例）では感度89.8%、1症例あたりの偽陽性2.5個で、追加学習後は93.5%、1.9個だった（追加学習後の評価の方法は抄録からは分からない）。偽陽性は、骨折に見える海綿骨、血管溝、アーチファクトに生じた[26]。

骨盤では、2つのレベル1外傷センターの全身CT 373例（外傷を専門とする放射線科医3名の合意によるTile AO/OTA分類を参照基準）で、並進方向の不安定性は特異度93.4%・感度56.5%、回旋方向の不安定性は特異度71.7%・感度75.7%だった。回旋方向の正解率は放射線科医1名の読影と有意差がなく（74.0%対76.7%、p=0.40）、並進方向ではAIが高かった（85.0%対75.1%、p=0.0007）[18]。国内では、CTから合成したX線像で事前学習する方法で、骨盤X線の骨折のAUROCが、X線で見える骨折0.9327、見えない骨折0.8014と報告された（従来の方法は0.8908、0.7308。例数と信頼区間は抄録に記載がない）[27]。

頭蓋内出血（頭部CT）

インドの約20施設の頭部CTで開発されたアルゴリズムは、元の読影レポートを参照基準とした21,095件で頭蓋内出血のAUC 0.92（95%CI 0.91〜0.93）、3名の放射線科医の合意を参照基準とした別のデータセット491件で0.94（同0.92〜0.97）だった。対象は外傷に限らない[21]。

市販のAIを導入した施設での評価では、値が下がることがある。米国の単施設で救急の成人の非造影頭部CT 3,605件（出血349件）を連続して評価した研究では、感度92.3%、特異度97.7%、陽性的中率81.3%、陰性的中率99.2%だった。抄録に信頼区間はなく、割合から一意に決まる件数（真陽性322、偽陰性27、偽陽性74、真陰性3,182）で本稿が計算すると（Wilson法）、95%CIは感度89.0〜94.6%、陽性的中率77.2〜84.8%である。陽性的中率は先行報告より低く、原因は特定できなかった。脳神経外科手術の既往、出血の種類、出血の数が成績の低下と関連した[2]。スイスの大学病院の導入前後の比較（救急の非造影頭部CT 4,450件）では、感度87.2%、陽性的中率70.5%、陰性的中率97.8%で、硬膜下血腫の検出率は69.2%（107件中74件）、急性くも膜下出血は77.4%（31件中24件）だった[3]。

気胸（胸部X線）

公開データで学習した気胸検出モデルを、6施設の外部データ（5施設は2016〜2019年、1施設は公開データ。症例対照の設計、計2,931枚のうち気胸26%、放射線科医2名の合意が参照基準）で評価した研究では、施設ごとのAUCは0.91（95%CI 0.88〜0.94）から0.98（同0.96〜1.0）で、内部テストは0.93（同0.92〜0.93）だった。小さな気胸では大きな気胸よりAUCが低く（0.88対0.96、P=.005）、胸腔ドレーンの有無では有意差がなかった（P>.99）[24]。外傷患者に限った評価ではない。

腹部（出血・実質臓器損傷）

脾損傷の検出では、三次外傷センター1施設の腹部造影CT 600例（2008〜2018年、半数が脾損傷）で開発したモデルが、テスト120例でAUROC 0.901（95%CI 0.836〜0.953）、感度0.81、特異度0.92だった。別の病院での外部検証は感度0.92、正解率0.80で、例数と特異度は抄録に記載がない[28]。北米放射線学会（RSNA）は、23施設・14か国の腹部外傷CT 4,274件に、放射線科医が肝・脾・腎・腸管・腸間膜の損傷と活動性出血のラベルを付けたデータセット（RATIC）を公開し、2023年の競技会に用いた[29]。性能を比べる共通のデータはできつつあるが、救急の現場での成績は別に確かめる必要がある。損傷ごとのCT所見と治療判断は、脾損傷、肝損傷、膵・十二指腸損傷の各記事を参照。

5．人が使ったときの効果：読影成績、時間、転帰

読影成績

X線の骨折では、外部の多施設データ480検査（8部位、骨折50%）を、放射線科医、整形外科医、救急医など6職種の24名が、1か月以上の間隔をあけてAIあり・なしで読んだ。患者単位の感度はAIなし64.8%からAIあり75.2%（差10.4ポイント、95%CI 6.9〜13.9、P<.001）、特異度は90.6%から95.6%（差5.0ポイント、95%CI 2.0〜8.0、非劣性のP=.001）、読影時間は1検査あたり6.3秒短くなった（95%CI −12.5〜−0.1、P=.046）。部位別では、肩・鎖骨（+4.2ポイント、P=.12）と脊椎（+2.6ポイント、P=.52）で有意な改善がなかった[4]。フランス17施設の成人600例（明らかな骨折だけの画像は除外）では、救急医6名と放射線科医6名の感度が8.7ポイント（95%CI 3.1〜14.2）、特異度が4.1ポイント（同0.5〜7.7）上がったが、読影時間の短縮（15.0%、95%CI −30.4〜3.8）は有意でなかった（P=.12）[23]。

国内で承認された肋骨骨折検出プログラムの読影試験（肋骨骨折が疑われた患者の64画像、専門医5名・専攻医5名）では、併用で感度が70.1%から81.5%に、Figure of Merit（FOM）が0.782から0.820に上がった（FOMはp<0.01）。一方、陽性的中率は78.3%から74.6%に下がり、「好転率」14.3%、「暗転率」10.6%と記載されている。専攻医では暗転率11.5%が好転率11.2%を上回った[5]。

本稿の解釈電子添文は好転率・暗転率の定義を示していないが、名称からは、CADを見て判定が良い方向・悪い方向に変わった割合と読める。全体の感度が上がっても、一部の判定は悪い方向に変わりうることを示す数字である。

時間

頭部CTの優先表示では、3か月の前向き運用で、通常（routine）扱いの347件のうち94件が至急（stat）に繰り上げられ、そのうち60件で放射線科医が出血を確認した。新たな出血が5件見つかり、診断までの時間の中央値は512分から19分に短くなった（p<0.0001）[19]。別の施設の段階的な導入研究（6,696件）では、優先表示の段階で、AIが出血ありとした検査の読影待ち時間（待ち行列で補正）が、出血なしとした検査より短かった（12.02分対15.45分、P<.0001）[7]。AIが出血ありとした検査で通知を表示するかしないかを無作為に切り替えた学会論文集の報告（頭部CT 620件）では、報告までの時間が通知ありで73±143分、なしで132±193分と、有意に短かった[30]。一方、前記のスイスの研究では、重大所見を伝えるまでの時間が導入前70分（95%CI 54〜85）、導入後63分（同55〜71）で、著者はワークフロー全体の見直しが必要とした[3]。

本稿の解釈外傷診療で測るべき時間は、撮影終了、AIの出力、医師の確認、診断の確定、止血などの治療開始の区間ごとに分かれる。AIの計算時間や読影の待ち時間だけで、初療全体が速くなったとは言えない。

転帰

本稿の確認範囲では、外傷画像AIを使うかどうかで患者の死亡や止血までの時間を比べた無作為化試験は見つからなかった。AIの試験ではないが、画像の戦略そのものを比べたREACT-2試験（18歳以上で、バイタルサインの異常、生命を脅かす損傷の臨床的な疑い、または重症の損傷がある外傷患者。解析1,083例）では、院内死亡が即時全身CT群541例中86例（16%）、標準的な画像評価群542例中85例（16%）で、有意差はなかった（p=0.92）。多発外傷（22%対25%、p=0.46）と頭部外傷（38%対44%、p=0.31）の部分集団でも有意差はなかった[8]。

本稿の解釈画像による診断が早く網羅的になることと、死亡が減ることは別の問いである。外傷画像AIでも、読影成績や時間の改善から転帰の改善を推定せず、転帰を評価項目にした比較で確かめる必要がある。

6．役に立たない、害になりうる場面

誤った提示に引きずられる（自動化バイアス）。マンモグラフィの実験（放射線科医27名、50例）では、AIとして示した分類が誤っていると、正答率が経験の浅い読影者で79.7%（提示が正しいとき）から19.8%に、経験の豊富な読影者でも82.3%から45.5%に下がった[6]。胸部X線の15所見を放射線科医140名で調べた研究では、AI支援の効果は読影者ごとに大きく異なり、経験年数、胸部画像の専門、AIツールへの慣れでは確実には予測できなかった。不正確なAIの予測は、全所見の合計と、調べた所見の半数で成績を下げた[31]。いずれも外傷画像の研究ではないが、前記の肋骨骨折の読影試験でも、併用で陽性的中率が下がっている[5]。

苦手な所見がある。頭蓋内出血では硬膜下血腫やくも膜下出血の検出率が全体より低く[3]、脳神経外科手術の既往や多発する出血で成績が下がった[2]。小さな気胸では識別能が下がる[24]。肋骨骨折検出プログラムの電子添文は、微小な骨折を検出しないことがあり、骨膜損傷や陳旧性骨折、肋骨の湾曲部や肋軟骨接合部を誤ってマークしうると記載している[5]。

通知が多すぎる、確認する人がいない。有病率の低い集団では偽陽性の通知が大半になりうる（前記の仮定の計算）。夜間に通知を確認する人が決まっていなければ、検出しても治療は速くならない。

AIが「所見なし」と表示しても、読影と臨床所見による判断を省かない。国内の肋骨骨折検出プログラムは、医師の読影後に処理結果を参照することを前提とし、微小な骨折を検出しないことがあると電子添文に記載している[5]。循環が不安定な患者の判断を、AIの結果を待つことで遅らせない。

根拠の比較表

表はスマートフォンでは横にスクロールして読む。「CIなし」は、確認した抄録・資料に信頼区間の記載がないことを示す。

診断精度の研究

出典（年）デザイン・外部検証対象・例数・時期参照基準主な結果限界と意味
Kuo（2022）[1]系統的レビュー・メタ解析。内部・外部検証を別に統合骨折のAI 42研究（X線37、CT 5）、32研究・55,061画像。検索2018年1月〜2020年7月（2021年6月更新）各研究の参照基準外部検証：感度91%（95%CI 84〜95）、特異度91%（81〜95）。臨床医94%（90〜96）、94%（91〜95）。有意差なし外部検証13研究、前向き試験1研究。52%がバイアスのリスク高。有意差なしは同等の意味ではない
Weikert（2020）[25]単施設・後ろ向き。学習は別の8施設のデータ（外部検証に当たる）救急外来からの外傷の全身CT 511件（2018年）、陽性159・陰性352臨床の読影レポート検査単位：感度87.4%、特異度91.5%（本稿の計算で95%CI 81.4〜91.7、約88〜94）。骨折単位：感度65.7%。偽陽性0.16個/検査骨折単位では約3分の1を検出せず。レポートにない骨折97個を検出（参照基準の不完全さ）。急性と陳旧性の両方が検出対象
肋骨骨折検出プログラム FS-AI691型 電子添文（2025年）[5]後ろ向きの読影試験（CAD単体の性能も記載）。外部検証の有無は記載なし肋骨骨折が疑われた患者の胸部CT 64画像（異常32・正常32）。診断不能なアーチファクトの例は除外確認した範囲で記載なしCAD単体：感度89.3%、偽陽性1.61個（単位の記載なし）。CIなし異常50%の濃縮した集団。入力はスライス厚5 mmのCT
Niiya（2022）[26]国内単施設・後ろ向き高エネルギー外傷の胸部CT 56例（肋骨骨折46・対照10）、2019年1〜6月放射線科医2名の注釈感度89.8%、偽陽性2.5個/例（追加学習後93.5%、1.9個/例）。CIなし少数・単施設。追加学習後の評価方法は抄録から不明
Dreizin（2021）[18]2施設・後ろ向き（開発と評価）外傷の全身CT 373例外傷放射線科医3名の合意（Tile AO/OTA）並進方向：特異度93.4%、感度56.5%。回旋方向：特異度71.7%、感度75.7%。CIなしデータの分け方は抄録に記載なし。正解率が高くても感度は低い
Dreizin（2020）[17]後ろ向き、5分割交差検証外傷性腹腔内出血130例（2016年1月〜2019年4月）手動計測の体積。転帰は手術・血管造影による止血、大量輸血、院内死亡の複合複合転帰の識別（98例）：AUC 0.86（AIの体積）対0.77（目測の分類）、P=.004。278.9 mLで感度82%、特異度93%研究の中で最適とされたカットオフ。外部検証の記載なし。検出ではなく定量
Cheng（2023）[28]単施設で開発・テスト（4対1）。別病院で外部検証救急外来で腹部造影CTを受けた600例（2008〜2018年、脾損傷50%）。テスト120例抄録に明記なしAUROC 0.901（95%CI 0.836〜0.953）。感度0.81、特異度0.92。外部検証：感度0.92、正解率0.80脾損傷50%の濃縮した集団。外部検証の例数・特異度は抄録になし
Chilamkurthy（2018）[21]後ろ向き。開発データとは別のデータセットでも評価インド約20施設の頭部CT。評価は21,095件と491件元の読影レポート（21,095件）、放射線科医3名の合意（491件）頭蓋内出血 AUC 0.92（95%CI 0.91〜0.93）、0.94（0.92〜0.97）外傷に限らない。感度・特異度は本稿では未確認（要旨のみ確認）
Voter（2021）[2]単施設・後ろ向き（市販AIの導入先での評価）救急の成人の非造影頭部CT 3,605件（2019年7〜12月）、出血349件神経放射線科医の判定感度92.3%、特異度97.7%、陽性的中率81.3%（本稿の計算で95%CI 89.0〜94.6、97.2〜98.2、77.2〜84.8）陽性的中率は先行報告より低く、原因は不明。外傷に限らない
Seyam（2022）[3]単施設・導入前後の比較（市販AI）救急の非造影頭部CT 4,450件（出血14.4%、14.3%）確定した読影レポート感度87.2%、陽性的中率70.5%、陰性的中率97.8%。硬膜下血腫69.2%（74/107）、急性くも膜下出血77.4%（24/31）病型で検出率に差。偽陽性の原因は術後・虚血後の欠損、アーチファクト、腫瘍
Thian（2021）[24]外部検証（6施設、症例対照）胸部X線2,931枚（気胸26%）。5施設は2016〜2019年、1施設は公開データ放射線科医2名の合意AUC 0.91〜0.98（施設別）。小さな気胸0.88対大きな気胸0.96（P=.005）症例対照で有病率が実際より高い。外傷に限らない
KDSS-PTX-AI（2026年、企業発表）[9]読影試験でのAI単体の性能胸部X線：気胸87例・対照213例気胸が存在すると診断された例（診断の方法は発表に記載なし）感度95%、特異度96%。CIなし査読付き論文ではない。気胸29%の集団

臨床効果（読影成績・時間・転帰）を測った研究

出典（年）デザイン対象・例数比較主な結果限界と意味
Guermazi（2022）[4]多読影者・多症例の後ろ向き読影試験（外部の多施設データ）X線480検査（骨折50%、8部位、2020年7月〜2021年1月）、読影者24名（6職種）AIなし→AIあり（1か月以上の間隔）感度64.8%→75.2%（差10.4ポイント、95%CI 6.9〜13.9）。特異度90.6%→95.6%（差5.0、2.0〜8.0）。読影時間−6.3秒/検査（−12.5〜−0.1）濃縮した集団。肩・鎖骨と脊椎は有意な改善なし。転帰は未評価
Duron（2021）[23]多施設の読影試験17施設の成人600例（明らかな骨折のみの画像は除外）、救急医6名・放射線科医6名AIなし→AIあり感度+8.7ポイント（3.1〜14.2）、特異度+4.1ポイント（0.5〜7.7）。読影時間−15.0%（−30.4〜3.8、P=.12）読影時間の短縮は有意でない。転帰は未評価
肋骨骨折検出プログラム 電子添文[5]後ろ向きの読影試験胸部CT 64画像、専門医5名・専攻医5名医師単独→CAD併用感度70.1%→81.5%、陽性的中率78.3%→74.6%、FOM 0.782→0.820（p<0.01）。好転率14.3%、暗転率10.6%陽性的中率は低下。専攻医は暗転率が好転率を上回った。CIなし
Arbabshirani（2018）[19]前向きの運用（3か月）通常扱いの頭部CT 347件AIによる至急への繰り上げ94件を繰り上げ、60件で出血を確認。診断までの時間の中央値512分→19分（p<0.0001）外傷に限らない。AUC 0.846（0.837〜0.856）。転帰は未評価
O’Neill（2021）[7]3段階の導入研究（2017年9月〜2019年3月）非造影頭部CT 6,696件優先表示の段階でのAI陰性 対 AI陽性読影待ち時間 15.45分 対 12.02分（P<.0001）差は約3分。その後の治療・転帰は未評価
Seyam（2022）[3]導入前後の比較非造影頭部CT 4,450件導入前→導入後重大所見を伝えるまでの時間 70分（95%CI 54〜85）→63分（55〜71）信頼区間が重なる。著者はワークフロー全体の改善が必要とした
Wismüller（2020）[30]通知の表示を無作為に切り替えた前向き研究（学会論文集）頭部CT 620件AI陽性の検査での通知なし 対 通知あり報告までの時間 132±193分 対 73±143分（有意差あり）査読付き雑誌の論文ではない。平均±標準偏差のみ
REACT-2（2016）[8]多施設の無作為化比較試験（AIではない）18歳以上の外傷患者（バイタルサインの異常、生命を脅かす損傷の疑い、または重症の損傷）、解析1,083例（2011年4月〜2014年1月）即時全身CT 対 標準的な画像評価院内死亡16%（86/541）対16%（85/542）、p=0.92AIの効果を示す試験ではない。画像の手段を変えても死亡が減るとは限らないことの参考
Dratsch（2023）[6]前向きの実験（マンモグラフィ）放射線科医27名、50例AIとした提示が正しい→誤り正答率 79.7%→19.8%（経験が浅い）、81.3%→24.8%（中等度）、82.3%→45.5%（豊富）外傷画像ではない。誤りの頻度は実験で設定
Yu（2024）[31]読影者の実験（胸部X線）放射線科医140名、324例、15所見AI支援の効果の個人差効果は読影者で大きく異なり、経験などでは確実には予測できない。不正確な予測は成績を下げた外傷画像ではない
Okada（2026）[10]症例報告多発外傷の1例（ERATS）なし初期の判断で見落とされた腹部大動脈損傷をAIが通知1例のみで精度・転帰は評価できない。筆頭著者はfcuro社の役員（利益相反として記載）

評価時点について：診断精度の研究は、撮影時点の画像と、読影や専門医の合意による参照基準を比べたもので、経過観察や手術所見で後から確かめた研究は、本稿で確認した範囲では少ない。時間の研究は読影や伝達までの時間を測っており、治療開始や転帰までは追っていない。

指針の比較表

報告指針は、研究をどう報告するかの基準で、製品が有効であることの認証ではない。研究の段階に合わせて選ぶ。STARD-AIには2026年7月13日付で、運営委員の氏名を追加する訂正が出ている[32]。

指針（年）対象とする研究・場面主な要点それだけでは示せないこと
STARD-AI（2025）[32]AIを用いた診断精度研究の報告40項目（STARD 2015から改訂した4項目と新規の14項目を含む）。データの出所・注釈・分割、AIの指標検査、アルゴリズムのバイアスと公平性読影や治療への効果、転帰の改善
QUADAS-2（2011）[33]系統的レビューでの診断精度研究の評価患者選択、指標検査、参照基準、流れとタイミングの4領域でバイアスのリスク、前の3領域で適用可能性を評価AIに特有の論点（データの分割など）は項目にない
CLAIM 2024年改訂版[22]医用画像AI研究の報告44項目。「参照基準」「内部テスト・外部テスト」の用語。撮像条件の記載を追加臨床効果。放射オミクス研究には拡張していない
TRIPOD+AI（2024）[34]予測モデル（回帰・機械学習）の開発・評価の報告27項目。TRIPOD 2015を置き換える臨床での有用性。報告が完全でもバイアスが低いとは限らない
PROBAST+AI（2025）[35]予測モデル研究の質、バイアスのリスク、適用可能性の評価回帰とAIの両方の方法を対象とする評価ツール（本稿は書誌情報のみ確認）診断精度研究の評価（QUADAS-2の領域）
DECIDE-AI（2022）[36]AIによる意思決定支援の、実臨床での早期・小規模な評価の報告AI特有17項目（下位28項目）と一般的な10項目。実際の性能、安全性、人の要因大規模な比較による有効性
SPIRIT-AI・CONSORT-AI（2020）[37][38]AI介入の臨床試験の計画書（SPIRIT-AI）と結果（CONSORT-AI）の報告それぞれ15項目・14項目を追加。AI介入の説明と必要な技能、組み込む場面、入出力の扱い、人とAIの相互作用、誤りの事例の分析試験の外の施設や運用での安全性

日本で実施するとき

薬機法上の承認・認証

PMDAの資料と電子添文、日本医学放射線学会のAIソフトウェア認証一覧（44種）、製造販売業者の公表で確認した範囲では、外傷に関わる所見を対象とする画像診断支援AIとして次のものがある。いずれも外傷患者に限った製品ではない。外傷の全身CTを対象とする品目は、確認した範囲では見当たらなかった[15][39]。

  • 肋骨骨折検出プログラム FS-AI691型（富士フイルム、承認番号30300BZX00244000、管理医療機器、2021年9月1日承認）：胸部CT（入力はスライス厚5 mm）で肋骨骨折の可能性のある領域をマークする。「医師による読影後に本プログラムの処理結果を参照すること」とされ、検出結果のみで確定診断・スクリーニングを行うことは目的としない。電子添文は、市場で学習して変化することはないと記載している[5][39]。
  • 胸部X線画像病変検出（CAD）プログラム LU-AI689型（富士フイルム、承認番号30300BZX00188000）：製造販売業者は、結節・腫瘤影、浸潤影、気胸、気腹、縦隔拡大などを含む10所見を検出すると説明している[40]。
  • 画像診断支援ソフトウェア KDSS-PTX-AI（コニカミノルタ、承認番号第30800BZX00041000号）：胸部X線で気胸の候補を画像上に表示する（単体性能は前記の企業発表）[9]。
  • 頭部CT画像解析AIエンジン DoctorNET Heuron CTS（ドクターネット、認証番号307AGBZX00052000、クラスII、2025年10月2日認証）：非造影頭部CTの高吸収域・低吸収域を検出する。放射線科医が不在の夜間・休日の救急医などの利用を想定していると発表されているが、外傷に特化したものではない[41]。
  • 未確認ERATS：承認・認証の情報は確認できなかった。2025年9月から臨床研究として使われている[13][15][16]。

PMDAが公開しているプログラム医療機器の承認品目一覧（Excel形式）は本稿の作業環境で読み取れず、網羅的な確認はできていない（未確認）。開発中のソフトウェアの医療機器への該当性、開発、保険の相談は、PMDAのSaMD一元的相談窓口が受け付けている[42]。特許の取得、論文の掲載、院内での試用は、いずれも医療機器としての承認とは別の事柄である。

診療報酬

日本医学放射線学会によると、2022年度（令和4年度）の診療報酬改定で、画像診断管理加算3の施設基準に「関係学会の定める指針に基づいて、人工知能関連技術が活用された画像診断補助ソフトウェアの適切な安全管理を行っていること。」が加わった。同学会は、この「適切な安全管理を必要とする」ソフトウェアを認証し、一覧を公開している[15][43]。

未確認2024年度・2026年度の改定後の現行の施設基準の原文は、本稿では確認できていない。外傷画像AIを使ったこと自体を評価する点数があるかも確認していない。

学会の管理指針

日本医学放射線学会の「人工知能技術を活用した放射線画像診断補助ソフトウェアの臨床使用に関する管理指針」（第2版、令和3年12月1日制定、令和7年4月10日改訂）は、主に次を求めている[11]。

  • 安全・精度管理責任者は、同学会に認定された放射線診断専門医であること。責任者は同学会の研修を1年に1回受講する。
  • 製造販売業者名とその連絡先、販売名、使用診療科名、使用者名、使用開始日、メンテナンス内容などを記録した帳簿類を作成し、保管する。
  • ソフトウェアを使って画像診断を行った場合は、レポートにその旨を記載することが望ましい。
  • 患者等に性能以上の過度な期待を与えないよう配慮し、最終的な判断は医師が行い、ソフトウェアの結果と医師の判断が違うことがあると理解できるよう配慮する。

外傷初期診療の国内指針（JATEC）が画像診断支援AIをどう扱っているかは、本文を確認しておらず未確認である。

国内の研究

国内の外傷画像AIの公表研究として、胸部CTの肋骨骨折の単施設研究[26]、骨盤X線の骨折を対象とした開発研究[27]、ERATSの症例報告[10]を確認した。国内の複数施設で、外傷患者を対象に精度や臨床効果を検証した報告は、本稿の確認範囲では見つからなかった。

施設で決めておくこと

  • 用途と範囲：どの検査（部位、撮影条件、スライス厚）に、どの患者で使うか。電子添文の入力条件を外れる画像には使わない[5]。出力を読影の前に見せるか後に見せるかを決める。
  • 責任の所在：最終判断は医師が行う[11]。夜間・休日に通知を誰が確認し、誰に伝えるかを決める。
  • 記録：管理指針の帳簿の項目に加え、使ったソフトウェアの版、通知の内容と時刻、医師の最終判断を残す。
  • 性能の監視：自施設で、通知数、陽性的中率、後から分かった見逃しを定期的に集計し、病型別にも見る。導入先で陽性的中率が先行報告より低かった例がある[2]。CT装置、撮影プロトコル、ソフトウェアを更新したときは確認し直す。
  • 止める基準と代替の手順：停止や処理の遅れがあったときに通常の読影へ戻す手順と、疑わしい出力の報告先（製造販売業者への連絡を含む）を決める。
  • 本稿の解釈分類の対応：海外の腹部外傷のデータセットは、米国外傷外科学会（AAST）の損傷分類に基づいてラベルを付けている[29]。日本外傷学会臓器損傷分類2008で記録する施設では、AIの出力の区分と記録の区分の対応を確認する。
  • 研究として使う場合：臨床研究としての計画、倫理審査、患者への説明を施設の手続きで確認する。

まだ分からないこと

  • 転帰は改善するか。外傷画像AIで、死亡、止血までの時間、合併症が減るかを比べた無作為化試験は、本稿の確認範囲にはない。
  • 全身を対象とするAIの精度。外傷の全身CTで多数の所見を同時に扱うAIについて、独立した複数施設での精度と、1症例あたりの通知の量は、本稿の確認範囲では論文として見つからなかった。ERATSの臨床効果検証の結果も、論文としては確認できていない。
  • 夜間・少人数体制での効果と害。救急医が単独で通知を見る体制で、判断がどれだけ良くなり、どれだけ悪くなるか。外傷画像での自動化バイアスの大きさは測られていない。
  • 国内承認品目の外傷患者での成績。電子添文や企業発表の試験は少数で、病変の多い集団で行われている。

まとめ

外傷診断支援AIを評価するときは、①何をするAIか（検出、定量、優先表示）、②どの患者で、何を参照基準に、どの単位で精度を測ったか、③人が使ったときに見落とし、判断、時間がどう変わるか、④導入先の施設で成績が保たれているか、を順に確かめる。患者の転帰の改善を示した無作為化試験は、本稿の確認範囲ではまだない。

ERATSのような外傷全身CTのAIは、臨床効果の検証が始まった段階にある。今後公表される精度と臨床効果の研究は、上の4点で確かめる必要がある。同じ考え方は、AIを用いた外傷シミュレーション教育の評価にも当てはまる（研究協力の案内はベルの休憩室）。

関連記事

文献

  1. Kuo RYL, Harrison C, Curran TA, Jones B, Freethy A, Cussons D, Stewart M, Collins GS, Furniss D. Artificial intelligence in fracture detection: a systematic review and meta-analysis. Radiology. 2022;304(1):50-62. doi:10.1148/radiol.211785. PMID: 35348381.
  2. Voter AF, Meram E, Garrett JW, Yu JJ. Diagnostic accuracy and failure mode analysis of a deep learning algorithm for the detection of intracranial hemorrhage. J Am Coll Radiol. 2021;18(8):1143-1152. doi:10.1016/j.jacr.2021.03.005. PMID: 33819478.
  3. Seyam M, Weikert T, Sauter AW, et al. Utilization of artificial intelligence-based intracranial hemorrhage detection on emergent noncontrast CT images in clinical workflow. Radiol Artif Intell. 2022;4(2):e210168. doi:10.1148/ryai.210168. PMID: 35391777.
  4. Guermazi A, Tannoury C, Kompel AJ, et al. Improving radiographic fracture recognition performance and efficiency using artificial intelligence. Radiology. 2022;302(3):627-636. doi:10.1148/radiol.210937. PMID: 34931859.
  5. 富士フイルム株式会社. 肋骨骨折検出プログラム FS-AI691型 電子添文（2025年10月作成 第10版、承認番号 30300BZX00244000）. 医薬品医療機器総合機構（PMDA）掲載：https://www.pmda.go.jp/PmdaSearch/kikiDetail/ResultDataSetPDF/671001_30300BZX00244000_A_01_11（2026年9月23日閲覧）.
  6. Dratsch T, Chen X, Rezazade Mehrizi M, et al. Automation bias in mammography: the impact of artificial intelligence BI-RADS suggestions on reader performance. Radiology. 2023;307(4):e222176. doi:10.1148/radiol.222176. PMID: 37129490.
  7. O’Neill TJ, Xi Y, Stehel E, et al. Active reprioritization of the reading worklist using artificial intelligence has a beneficial effect on the turnaround time for interpretation of head CT with intracranial hemorrhage. Radiol Artif Intell. 2021;3(2):e200024. doi:10.1148/ryai.2020200024. PMID: 33937858.
  8. Sierink JC, Treskes K, Edwards MJ, et al. Immediate total-body CT scanning versus conventional imaging and selective CT scanning in patients with severe trauma (REACT-2): a randomised controlled trial. Lancet. 2016;388(10045):673-683. doi:10.1016/S0140-6736(16)30932-1. PMID: 27371185.
  9. コニカミノルタ株式会社. 画像診断ワークステーション「CS-7」の新機能としてSTAT画像所見報告支援機能「STAT Link」の提供を開始（ニュースリリース、2026年4月13日。「CXR Finding-i 気胸検出タイプ」＝画像診断支援ソフトウェア KDSS-PTX-AI、承認番号 第30800BZX00041000号）. https://www.konicaminolta.com/jp-ja/newsroom/2026/0413-01-01.html（2026年9月23日閲覧）.
  10. Okada N, Nakanishi T, Inaoka A, Ohmoto R, Nakamoto N, Fujimi S. AI-assisted detection of an initially missed infrarenal abdominal aortic injury in a polytrauma patient: a case report. Trauma Case Rep. 2026;65:101424（2026年8月7日オンライン公開）. doi:10.1016/j.tcr.2026.101424. PMID: 42656650.
  11. 日本医学放射線学会. 人工知能技術を活用した放射線画像診断補助ソフトウェアの臨床使用に関する管理指針（第2版）. 令和3年12月1日制定、令和7年4月10日改訂. 掲載ページ：https://www.radiology.jp/guideline/20250528_1.html、PDF：https://www.radiology.jp/content/files/guideline_20251128.pdf（2026年9月23日閲覧）.
  12. 第40回日本外傷学会総会・学術集会. プログラム（教育講演〔オンデマンド〕EL18、若手医師・研修医セッションR-5ほか）. https://www.congre.co.jp/jast2026/program（2026年9月23日閲覧）.
  13. 大阪急性期・総合医療センター. 最先端AIの”効果検証”開始. https://www.gh.opho.jp/erats.html（2026年9月23日閲覧）.
  14. 公益財団法人大阪産業局. 世界初・外傷患者のCT診断を支援する最先端AIを導入。大阪・関西万博「大阪ヘルスケアパビリオン」に出展したスタートアップが高度救命救急センターで効果検証を開始！（プレスリリース、2025年9月9日）. PR TIMES. https://prtimes.jp/main/html/rd/p/000000169.000090165.html（2026年9月23日閲覧）.
  15. 日本医学放射線学会. AIソフトウェア認証一覧（44種）. https://www.radiology.jp/content/files/ai_softwear_ninsyou_list.pdf?V=20260807（2026年9月23日閲覧）.
  16. 株式会社fcuro. News（ニュース一覧）. https://fcuro.com/news/（2026年9月23日閲覧）.
  17. Dreizin D, Zhou Y, Fu S, Wang Y, et al. A multiscale deep learning method for quantitative visualization of traumatic hemoperitoneum at CT: assessment of feasibility and comparison with subjective categorical estimation. Radiol Artif Intell. 2020;2(6):e190220. doi:10.1148/ryai.2020190220. PMID: 33330848.
  18. Dreizin D, Goldmann F, LeBedis C, Boscak A, Dattwyler M, Bodanapally U, Li G, Anderson S, Maier A, Unberath M. An automated deep learning method for Tile AO/OTA pelvic fracture severity grading from trauma whole-body CT. J Digit Imaging. 2021;34(1):53-65. doi:10.1007/s10278-020-00399-x. PMID: 33479859.
  19. Arbabshirani MR, Fornwalt BK, Mongelluzzo G, et al. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Digit Med. 2018;1:9. doi:10.1038/s41746-017-0015-z. PMID: 31304294.
  20. Dreizin D, Staziaki PV, Khatri GD, Beckmann NM, et al. Artificial intelligence CAD tools in trauma imaging: a scoping review from the American Society of Emergency Radiology (ASER) AI/ML Expert Panel. Emerg Radiol. 2023;30(3):251-265. doi:10.1007/s10140-023-02120-1. PMID: 36917287.
  21. Chilamkurthy S, Ghosh R, Tanamala S, et al. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet. 2018;392(10162):2388-2396. doi:10.1016/S0140-6736(18)31645-3. PMID: 30318264.
  22. Tejani AS, Klontzas ME, Gatti AA, et al. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 update. Radiol Artif Intell. 2024;6(4):e240300. doi:10.1148/ryai.240300. PMID: 38809149.
  23. Duron L, Ducarouge A, Gillibert A, et al. Assessment of an AI aid in detection of adult appendicular skeletal fractures by emergency physicians and radiologists: a multicenter cross-sectional diagnostic study. Radiology. 2021;300(1):120-129. doi:10.1148/radiol.2021203886. PMID: 33944629.
  24. Thian YL, Ng D, Hallinan JTPD, et al. Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study. Radiol Artif Intell. 2021;3(4):e200190. doi:10.1148/ryai.2021200190. PMID: 34350409.
  25. Weikert T, Noordtzij LA, Bremerich J, Stieltjes B, Parmar V, Cyriac J, Sommer G, Sauter AW. Assessment of a deep learning algorithm for the detection of rib fractures on whole-body trauma computed tomography. Korean J Radiol. 2020;21(7):891. doi:10.3348/kjr.2019.0653. PMID: 32524789.
  26. Niiya A, Murakami K, Kobayashi R, Sekimoto A, Saeki M, Toyofuku K, Kato M, Shinjo H, Ito Y, Takei M, Murata C, Ohgiya Y. Development of an artificial intelligence-assisted computed tomography diagnosis technology for rib fracture and evaluation of its clinical usefulness. Sci Rep. 2022;12(1):8363. doi:10.1038/s41598-022-12453-5. PMID: 35589847.
  27. Rahman R, Yagi N, Hayashi K, Maruo A, Muratsu H, Kobashi S. Enhancing fracture diagnosis in pelvic X-rays by deep convolutional neural network with synthesized images from 3D-CT. Sci Rep. 2024;14(1):8004. doi:10.1038/s41598-024-58810-4. PMID: 38580737.
  28. Cheng CT, Lin HS, Hsu CP, Chen HW, Huang JF, Fu CY, Hsieh CH, Yeh CN, Chung IF, Liao CH. The three-dimensional weakly supervised deep learning algorithm for traumatic splenic injury detection and sequential localization: an experimental study. Int J Surg. 2023;109(5):1115-1124. doi:10.1097/JS9.0000000000000380. PMID: 36999810.
  29. Rudie JD, Lin HM, Ball RL, Jalal S, et al. The RSNA Abdominal Traumatic Injury CT (RATIC) dataset. Radiol Artif Intell. 2024;6(6):e240101. doi:10.1148/ryai.240101. PMID: 39441109.
  30. Wismüller A, Stockmaster L. A prospective randomized clinical trial for measuring radiology study reporting time on artificial intelligence-based detection of intracranial hemorrhage in emergent care head CT. Proc SPIE. Medical Imaging 2020: Biomedical Applications in Molecular, Structural, and Functional Imaging. 2020. doi:10.1117/12.2552400. 抄録はarXiv:2002.12515（DataCite登録情報）で確認.
  31. Yu F, Moehring A, Banerjee O, Salz T, Agarwal N, Rajpurkar P. Heterogeneity and predictors of the effects of AI assistance on radiologists. Nat Med. 2024;30(3):837-849. doi:10.1038/s41591-024-02850-w. PMID: 38504016.
  32. Sounderajah V, Guni A, Liu X, et al; STARD-AI Steering Committee. The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence. Nat Med. 2025;31(10):3283-3289. doi:10.1038/s41591-025-03953-8. PMID: 40954311. 訂正（Author Correction、2026年7月13日、運営委員の氏名の追加）：doi:10.1038/s41591-026-04570-9.
  33. Whiting PF, Rutjes AWS, Westwood ME, Mallett S, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529-536. doi:10.7326/0003-4819-155-8-201110180-00009. PMID: 22007046. 公式の解説：University of Bristol, QUADAS-2（2026年9月23日閲覧）.
  34. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378. PMID: 38626948.（2024年4月18日付の訂正あり。訂正の内容は本稿では未確認）
  35. Moons KGM, Damen JAAG, Kaul T, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ. 2025;388:e082505. doi:10.1136/bmj-2024-082505. PMID: 40127903.
  36. Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nat Med. 2022;28(5):924-933. doi:10.1038/s41591-022-01772-9. PMID: 35585198.
  37. Cruz Rivera S, et al; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020;26(9):1351-1363. doi:10.1038/s41591-020-1037-7. PMID: 32908284.
  38. Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK; SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med. 2020;26(9):1364-1374. doi:10.1038/s41591-020-1034-x. PMID: 32908283.
  39. 医薬品医療機器総合機構 科学委員会事務局. AI医療機器の開発状況等について（資料6、国内承認品目一覧を含む）. https://www.pmda.go.jp/files/000244149.pdf（2026年9月23日閲覧）.
  40. 富士フイルム株式会社. 胸部X線画像病変検出ソフトウェア CXR-AID（製品情報。販売名：胸部X線画像病変検出（CAD）プログラム LU-AI689型、承認番号 30300BZX00188000）. https://www.fujifilm.com/jp/ja/healthcare/healthcare-it/diagnostic-support/cxr-aid（2026年9月23日閲覧）.
  41. 株式会社ドクターネット. 「頭部CT画像解析AIエンジンDoctorNET Heuron CTS」日本国内における薬事認証取得（プレスリリース、2025年10月7日）. https://dr-net.co.jp/news/2025/press_release/6599/（2026年9月23日閲覧）.
  42. 医薬品医療機器総合機構. SaMD一元的相談窓口（医療機器プログラム総合相談）. https://www.pmda.go.jp/review-services/f2f-pre/strategies/0011.html（2026年9月10日更新、2026年9月23日閲覧）.
  43. 日本医学放射線学会. AIソフトウェア（画像診断管理認証）. https://www.radiology.jp/member_info/ai_softwear_ninsyou.html（2026年8月7日更新、2026年9月23日閲覧）.

医学的内容の最終確認日・確認範囲

文献ごとの確認範囲を開く（最終確認日：2026年9月25日）

医学的内容の最終確認日：2026年9月25日（著者確認）。文献照合日：2026年9月23日（文献検索も同日、日本時間では9月24日）。PubMedとEurope PMCには接続できず、PMCのページも取得できなかったため、書誌と抄録は出版社、学会・公的機関・企業の公開資料、OpenAlex、Crossref、DataCite、Semantic Scholarで確認した。確認した範囲では、引用した論文に撤回の情報は見当たらなかった。検索記録は編集部で保管している。数値・用量・適用条件を含む医学的内容は、2026年9月25日に著者（医師）が確認した。

  • 公式資料・電子添文の本文を確認：[5] [9] [11] [12] [13] [14] [15] [16] [39] [40] [41] [42] [43]。うち[5]は電子添文の使用目的・原理・使用上の注意・読影試験の記載、[11]は管理指針の責任者・帳簿・研修・報告書・患者への配慮の箇所を確認した。[9] [40] [41]は製造販売業者の公表で、PMDAの添付文書とは照合していない。[15]の各品目の認証日は読み取りが不確かなため本文に用いていない。
  • 抄録（要旨）のみ確認：[1] [2] [3] [4] [6] [7] [8] [10] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [34] [36] [37] [38]。[1]は抄録に加えKey Resultsを、[24]は抄録に加え本文の例数と参照基準を、[3]は抄録に加え本文の結果（病型別の件数、陽性的中率）を、[17]は抄録に加え本文の結果の一部（転帰の解析対象の例数、放射線科医2名の合意による分類）を確認した。[25] [28]はSemantic Scholarに登録された抄録で確認した。[30]はarXiv掲載版の抄録（DataCiteの登録情報）で確認した。[32]は訂正通知の本文も確認した。本文中の数値は、前記の本文で確認した部分を除き抄録にある範囲に限り、[2] [25]の信頼区間は報告された割合から逆算した件数による本稿の計算（Wilson法）である。
  • 公式の解説で確認：[33]（University of Bristolの公式ページで4領域を確認。原著は書誌情報のみ）。
  • 書誌情報のみ確認：[35]（内容は題名の範囲でのみ記載）。
  • 未取得・読めなかった資料：PMDAのプログラム医療機器承認品目一覧（Excel形式、読み取れず）、令和6年度・令和8年度の診療報酬の告示・通知の原文、JATEC（外傷初期診療ガイドライン）の本文、講演EL18の資料と演題R-5の抄録、NICEのAI骨折検出に関する評価（ページを開けなかった）、JAMA Network Openと一部のSpringer掲載論文（ページを取得できなかった）、頭蓋内出血AIのメタ解析（特定できず）。

更新履歴

更新履歴を開く（全4件・最新：2026年9月26日）
  • 2026年9月26日（表記）：確認範囲の記載を読者向けの表現に改めた（医学的内容は変えていない）。
  • 2026年9月25日（著者確認）：著者（医師）が数値・用量・適用条件を含む医学的内容を確認した。確認日の表記を更新した。
  • 2026年9月23日（改訂）：原著と公式資料の照合にもとづき全面改訂。冒頭に要点5項目と対象・扱わない範囲を置き、導入文を記事の先頭に移した。講演（第40回日本外傷学会総会・学術集会 教育講演EL18）の名称・演者・配信期間を学会の公式プログラムで確認し、講演の内容は根拠に用いない形に組み直した。ERATSについて公式資料と症例報告（2026年）で確認できた事実を加えた。外傷画像AIの診断精度の研究（骨折のメタ解析、外傷全身CTの肋骨骨折、骨盤骨折、脾損傷、頭蓋内出血、気胸、腹腔内出血）と、読影成績・時間・転帰を測った研究、自動化バイアスの研究を、例数・参照基準・信頼区間とともに加え、根拠の比較表と指針の比較表を新設した。「日本で実施するとき」で、承認・認証品目、電子添文の読影試験、診療報酬の要件（2022年度改定）、日本医学放射線学会の管理指針、施設で決めておくことを整理した。仮定の計算例（有病率と陽性的中率）は検算して残し、見逃しの数と信頼区間の仮定の計算を加えた。文献ごとの確認範囲を記載した。理由：冒頭の要点、外傷画像AIの公表成績（分母と信頼区間）、限界と害、国内の制度、確認範囲の記載が不足していたため。
  • 2026年9月20日（初回公開）：ERATSの講演を出発点に、外傷診断支援AIの評価の考え方（外部検証、陽性的中率、人とAIの協働、報告指針、導入後の監視）を整理した記事として公開（文献5件：STARD-AI、DECIDE-AI、CONSORT-AI、TRIPOD+AI、PMDAのSaMD一元的相談窓口）。

本記事は医療従事者への教育および一般的な医学情報の提供を目的としており、個々の患者に対する診断・治療を代替するものではありません。実際の診療では、各施設のプロトコルおよび最新の診療ガイドラインをご確認ください。
利益相反：本記事に関連して開示すべき利益相反はありません。

ベルの休憩室
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！

この記事を書いた人

外傷外科医ベルのアバター 外傷外科医ベル

外科医・救急科専門医。外傷外科、Acute Care Surgery、救急・集中治療領域の診療と研究に従事しています。外傷性凝固障害、出血性ショック、止血蘇生、大量輸血、腹部外傷を中心に、臨床で使えるエビデンスを解説します。

関連記事

コメント

コメント一覧 （2件）

コメントする

目次