top of page

DIAGENS iMed-6.0、509項目対応のCTモデルを追加

12 分前
読了時間: 17分
Illustrative photograph. Photo: cottonbro studio / Pexels.

DIAGENSは2026年11月12日、DIAGENS iMed-6.0のベンチマーク結果とともに、509の疾患および画像所見を対象とするCTモデルを発表した。この発表により、同社が掲げる画像診断の対象範囲は拡大した。一方で、その広範な対応が信頼できる臨床支援にどのようにつながるのかという重要な疑問は残されている。

中心となる論点は、モデルが評価する異常の範囲と、患者ケアでの利用を裏付けるエビデンスの間にある。対象リストが長くなれば支援の機会は増えるが、解釈、検証、適切な取り扱いを要する結果も増える。

Alibaba DAMO AcademyのRADARは、1件の検査内で複数の所見を扱うジェネラリスト画像AIに関する有用な研究上の参照例となる。病院の導入担当者や開発者にとって重要な比較は、見出し上の件数だけではなく、評価手法とワークフロー上の性能に関するものだ。

DIAGENS iMed-6.0が実際に追加するもの

今回の発表は、より広範な画像モデルファミリーと、胸部・腹部CT向けに定義されたアプリケーションを結び付けている。

CT(コンピュータ断層撮影)は、身体の断層画像を生成する。DIAGENSによると、新しいアプリケーションは造影剤を用いる検査と用いない検査の双方をサポートし、特定のスキャンで構造の識別を支援する。同社のCTモデル発表では、疾患と画像所見にまたがる対応範囲が説明されている。

この表現には注意が必要だ。画像所見は検査で視認できる事象を指し、疾患ラベルは医学的な病態を指す。両者は重なる場合もあるが、共通の対象リストに含まれているからといって、すべての対象が独立して確立された診断になるわけではない。

実務上の狙いは理解しやすい。共有システムを通じて複数の問いを支援できるほど広く検査を解析することだ。その価値は、単により多くの出力を生成できることではなく、それらの問いにわたって有用な支援を提供できるかどうかにある。

DIAGENSは、中規模のiMed-6.0版をThoth、小規模版をAegisとしている。CTアプリケーションはAegisを基盤とする。最大版のHorusについては、今後の評価開示に向けた同社の計画の一部にとどまっている。

こうした区別は、モデルファミリーと今回の発表で説明されたアプリケーションを分けるものだ。ある版に関連付けられた結果を、別の版へ自動的に当てはめるべきではない。同様に、一般的なベンチマーク結果を、特定のCTワークフローに関するエビデンスの代わりにすべきではない。

開発者にとっては、これは明快な文書化の課題を生む。どの正確なモデルが、どの結果を生み出したのか。基盤となる版、アプリケーション設定、または対応入力が明確な記録なしに変わると、評価の解釈は難しくなる。

導入側にとって対応する問いは、実際に何を受け取るのかという点だ。研究結果、評価サービス、実運用アプリケーションは、それぞれ異なる約束を意味する。今回の発表だけで、説明されたすべての機能が同じ導入段階にあると読者が想定すべきではない。

より限定的な解釈の方が、より有用でもある。DIAGENSは、掲げる機能における具体的な拡張を示した。その拡張が信頼できる支援を可能にするかどうかは、個々の用途に付随するエビデンスに左右される。

したがって、DIAGENS iMed-6.0を評価する導入者は、まず想定する業務から始めるべきだ。見落とされた可能性のある所見について検査をレビューすることは、レポートの下書きを作成したり、ワークリストの優先順位付けを支援したりすることとは異なる要件を伴う。

こうした区別によって、成功が何を意味すべきかが決まる。出力が不要なレビューを増やし、緊急情報を見えにくくし、臨床医に対応方法への不確実性を残すなら、より多くの所見を検出しても目標としては不十分だ。

今回の発表は、対象範囲の広さを論点に据えた。次の問いは、広範なモデルが、明確に定義された臨床タスクを実行しやすく、評価しやすいものにできるかどうかだ。

より広い対応範囲は立証責任を高める

ジェネラリストCTモデルの価値は、対応対象リストの長さではなく、有用な意思決定によって示される。

最も直接的な負担は、DIAGENSと潜在的な病院評価者にかかる。システムが広範な対応を提供する場合、その評価は、想定ワークロード全体でその対応がどのように機能するかを説明する必要がある。

完了済みのスキャン内で、アシスタントが複数の異常の可能性をフラグ付けする仮想的なレビュー・ワークフローを考えてみよう。重要な結果は、単に所見を生成するかではない。評価者は、臨床医がそれらの所見に対して何をするのかを理解する必要がある。

出力は、レビューに値する事象へ注意を向けることがある。一方で、レポートにすでに記載されている観察を繰り返したり、無関係な可能性を提示したり、追加調査を必要としたりすることもある。これらの可能性には、それぞれ異なる有用性の指標が必要だ。

そのため、パイロット開始前に想定する役割を明確にすることが重要となる。レポートレビューを支援するアシスタントは、レポートレビューの要件に照らして評価すべきである。より広範な無関係タスク群での性能は、その判断に対する不完全なエビデンスにとどまる。

広い対応範囲は、結果の提示をより重要なものにもする。臨床医は、実行可能な情報と、不確実または裏付けのない出力を区別する必要がある。あらゆる可能な所見を同等に重要として扱えば、インターフェースの評価は難しくなる。

これは設計上の問題であると同時に、評価上の問題でもある。モデルのスコアと、そのスコアが利用者に届く方法は、一体となったワークフローを構成する。基盤モデルだけをテストしても、提案された介入の一部は検証されないままとなる。

有用なパイロットでは、出力が既存業務にどう入るか、誰がレビューするか、システムが検査を評価できない場合に何が起こるかを明記すべきだ。これらは発表によって確立された機能ではなく、提案される評価要件である。

導入者には意味のある比較対象も必要だ。関連する代替手段は、既存の臨床実務、確立された専門アプリケーション、あるいは別の提案中のアシスタントかもしれない。抽象的な理想との比較では、新システムが実用的な改善をもたらすかどうかが不明瞭になる。

これは専門ベンダーに別種の圧力を与える。広範なモデルは、個別アプリケーションがなお必要かという疑問を招く。専門ベンダーは、対象範囲だけで競うのではなく、意図するタスクに関する焦点を絞ったエビデンスで答えられる。

商業的な意味合いは依然として条件付きだ。不必要な複雑さを減らしながら有用な性能を維持できるなら、機能の統合は魅力的だろう。広範な追加確認を必要とする共有モデルは、異なる条件を提示することになる。

医療分野以外のAIプロダクトチームにとって、この発表はよく知られた評価上の問題を示している。システムは、個々の用途を裏付けるエビデンスよりも速く、掲げる機能を拡張できる。製品の対象範囲と実証された信頼性には、別々の記録が必要だ。

こうした主張を追跡するチームは、リリース文書と評価ノートを検索可能なナレッジベースで整理できる。これはエビデンス管理を支援するものであり、臨床判断には依然として適切な臨床システムと監督が必要となる。

したがって、より広い対応範囲が直ちにもたらすのは、より厳格な評価だ。提案される各用途には、明確な目的、適切な比較、および統合されたワークフローが採用に値する成果をもたらすことを示すエビデンスが必要となる。

公表されたAUCは診断精度ではない

CTの結果は、正しく診断された患者の割合ではなく、評価タスク全体における識別性能を説明している。

DIAGENSは画像評価に関する開示で、複数の病院から集めた約4万組のCT検査・レポートペアを対象とする内部評価を報告している。509対象すべてでマクロ平均ゼロショットAUC 0.855、選定された249対象のサブセットで0.930としている。

AUCは、考えられる判断閾値全体で、スコアが陽性例と陰性例をどれだけ識別できるかを測る。マクロ平均では、各タスクに同じ重みが与えられる。ゼロショット分類は、その分類設定においてタスク固有の例を与えずに対象を評価する。

この提出書類は、これらの数値が診断精度と同じではないと明記している。また、対象範囲の定義は研究ごとに異なり、モデル性能の直接比較を確立するものではないとも注意を促している。

こうした留保は、いくつかの安易な解釈を防ぐ。選定サブセットの数値を「診断精度93%」とすべきではない。また、対象セット全体の結果を黙って置き換えるべきでもない。

この区別は、導入者が何を推論できるかに影響する。要約指標は評価を説明できても、実務で使われる判断点において特定の所見がどのように機能するかには答えない。

その判断点とは、出力が特定の対応を引き起こすスコアである閾値だ。閾値の選択には、想定タスクにおいてどの誤りが重要かを決めることが伴う。適切な選択には臨床的文脈が必要となる。

したがって、見落としの可能性がある異常をレビューする評価者には、全体平均以上の情報が必要となる。有用な裏付けエビデンスには、評価対象の所見、参照判断、出力に基づいて行動した場合の影響を記述すべきだ。

感度、すなわち検出された陽性例の割合は、見落としの程度を説明する助けになる。特異度、すなわち正しく除外された陰性例の割合は、不必要なフラグを説明する助けになる。いずれの指標も、それ単独で完全な評価にはならない。

結果の分布も重要だ。良好な平均は、性能が対象間で一貫しているのか、特定のタスクに集中しているのかを明らかにしない。個々の所見は、実務上異なる重要性を持ちうる。

選定サブセットは、関連する報告上の問いも提起する。評価者は、なぜそれらの対象が選ばれたのか、その選定が意図する用途と一致するのかを理解すべきだ。サブセットは、アプリケーション全体を代表しなくても有益な情報になり得る。

これらは、報告された結果を退ける根拠ではなく、解釈可能性を求めるものだ。同社は測定可能な評価を開示している。次の段階は、その測定を臨床チームが実際に行う意思決定に結び付けることである。

独立したテストは、開発者自身の評価への依存を減らすことで、この結び付きを強めるだろう。ただし、そのためにも適切な設計、関連する検査、明確に規定された成果が必要となる。

したがってDIAGENS iMed-6.0は、有望なモデル結果と導入判断の間にある有用な区別を示している。前者はさらなる検討を正当化しうる。後者には、提案される環境に合致したエビデンスが必要だ。

この区別は、発表が広まる場所でも可視化されたままであるべきだ。簡略化された見出しは、基盤となる数値を解釈可能にするまさにその留保を容易に切り捨ててしまう。

RADARは研究上の参照例であり、直接的な順位付けではない

RADARは広範なCT解析に関する関連文脈を示すが、有効な性能比較には共通の評価が必要となる。

Scienceで公表された腹部CT研究は、146の腹部画像所見にわたるRADARを説明している。この研究では、8つの外部センターでの評価において平均AUC 0.895が報告された。

これにより、RADARはDIAGENSが目指す方向性と関連性を持つことになる。どちらもCT検査における広範な解析を対象としている。ただし、公開されている対象範囲と評価条件からは、見出しの数値だけで単純に優劣を決めることはできない。

対象数が多いことは、より広いカバレッジ、異なる定義、あるいはその両方を反映している可能性がある。評価者は、数を同等の単位として扱う前に、各対象が何を表すのかを検討する必要がある。

要約された性能についても同様である。検査の種類、参照となる判定、タスク定義が異なれば、報告された結果の意味も変わり得る。2つの数値を並べても、そうした違いがなくなるわけではない。

直接比較には、合意されたタスク群と共通の評価設計が必要となる。また、両システムが同じ入力をサポートしているか、出力が同じ臨床目的に資するものかも説明されるべきである。

それにより、どちらのシステムがより広いと宣伝されているかという問いよりも、限定的ではあるが有用な問いに答えられる。同等の条件下で各システムがどのように機能するかを示せるからだ。

RADARはまた、広範な出力には解釈が必要であることを示す具体例でもある。独立した放射線医学の分析では、その所見スコアを検討し、個々の結果だけでは臨床診断が自動的に確定しない理由を説明している。

この分析はRADARに関するものであり、DIAGENSの臨床評価ではない。ここでの関連性は方法論にある。出力スコアには文脈が必要であり、専門家による解釈はモデル予測の集積とは別のものである。

より広いiMedファミリーに付随するベンチマーク主張にも、同様の注意が求められる。DIAGENSは、ThothのMedBench総合スコアを64.4、Aegisを61.7と報告している。これらのベンチマーク結果は、実証された患者アウトカムではなく、定義された評価タスクに関するものである。

同社はまた、ThothのMMMU Testスコアを66.2%と報告しており、これは従来公開されていた最高値65.9%と比較されている。MMMUは学際的なマルチモーダル理解、すなわち異なる種類の情報を組み合わせるタスク群での性能を評価する。

同社の資料では、公開リーダーボードとの比較時点を2026年11月11日としている。さらに、その比較は同社のモデルが公開リーダーボードに掲載されたことを意味しないと明示している。

読者にとって重要なのは、報告された評価結果、公開ランキング、臨床エビデンスを区別することである。いずれも情報を提供し得るが、どれか一つが自動的に他の要素を補うわけではない。

したがって競争上の焦点は、モデル開発だけでなくエビデンスの質にもある。DIAGENSは、再現可能な評価と臨床的に関連する試験を通じて、その主張の説得力を高められる。他の開発者にも同じ責務がある。

有意義な競争であれば、対象範囲、限界、ワークフロー上の価値を検証しやすいシステムが評価されるべきだ。カバレッジは機会を生むが、比較可能なエビデンスが、買い手がどれほど確信を持って行動できるかを左右する。

導入に関する論点はなお未解決である

検討した発表はさらなる評価を裏付けるものの、このCTモデルについて独立した臨床検証や患者アウトカムの改善を確立するものではない。

これは利用可能なエビデンスの境界を示すものであり、システムが役に立たないという結論ではない。製品発表と臨床研究は、異なる問いに答える。

発表は、開発者が何を構築し、何を測定したと述べているかを説明する。導入評価では、提案されたアプリケーションを想定環境の中で検討する必要がある。いずれの文書も、もう一方の代わりにはならない。

FDAの医療AIに関する原則は、医療機器開発を評価する際の関連する一般的文脈を提供している。安全かつ有効なAI搭載医療機器に向けた、ライフサイクル全体にわたるアプローチを強調している。

これらの原則は、DIAGENSに関する規制判断を構成するものではない。ベンチマーク発表が、買い手に必要なエビデンスの一部に過ぎない理由を示している。

このシステムを検討する病院には、想定ユーザー、対応する検査、提案される役割について明確な説明が必要となる。また、入力がその対象範囲から外れた際に、ユーザーが何をすべきかも理解する必要がある。

別の仮想的な状況を考えてみよう。評価対象の条件外となる撮影プロトコルで検査が届いた場合である。責任ある評価では、アプリケーションがその状況をどのように識別し、限界をどのように伝えるのかを問うべきだ。

発表はその答えを確立していない。この問いを明示することで、評価者が広い対象カバレッジを無制限の入力サポートと誤認するのを防ぐ助けとなる。

バージョン管理も、別の実務上の課題である。評価中にモデルが変更される場合、買い手はどの結果がどのバージョンに適用されるのかを知る必要がある。そうでなければ、エビデンスと製品の間に乖離が生じ得る。

FDAの医療AIの透明性に関するガイダンスは、機械学習搭載機器に関する情報伝達の関連する参考となる。明確な情報は、ユーザーが報告された性能を取り巻く条件を理解する助けとなる。

DIAGENSは、専門分野向け画像AIを開発するプラットフォームであるiMedLoopを含む、より広範な戦略を説明している。この事業提案は、共通の基盤と、個別のニーズに適応したアプリケーションを結び付けるものだ。

これは有用な商業的仮説を生む。共通プラットフォームによって、アプリケーション開発の再現性が高まる可能性がある。一方で、エビデンスに関する責務も生じる。各アプリケーションには、依然として固有の意図された用途を裏付ける根拠が必要である。

したがってカスタマイズは、それを検証・維持するために必要な作業と併せて評価すべきである。より簡潔な開発インターフェースだけでは、得られたアプリケーションが臨床タスクに適しているかという問いには答えられない。

同じ注意は商業的な期待にも当てはまる。想定されるユースケースの拡大は、実際の導入、継続的な利用、またはそれらの用途からの収益を確立するものではない。

買い手と投資家は、これらの節目を区別すべきである。モデル能力、業務への導入、持続的な商業利用は、それぞれ異なる達成である。一つの根拠を、すべての根拠として提示すべきではない。

未解決の導入に関する論点こそ、発表が最も重要になる場所である。DIAGENSは、広範な提案を評価できるほど具体的なものにした。価値は今後、その評価が何を明らかにするかにかかっている。

次を明らかにする3つのシグナル

次に重要となるエビデンスは、モデルの主張を独立試験、実際のワークフロー性能、明確に文書化された導入へと結び付けるものであるべきだ。

最初のシグナルは、開発者の内部評価以外の検査に対する独立評価である。今後1〜3カ月は、他者が検証できる詳細な方法、タスク定義、結果に注目したい。

最も有益な開示では、評価条件が明確に示される。読者は、出力評価に用いた試験バージョン、対応入力、比較方法、参照判定を特定できるべきだ。

関連する外部条件下で一貫した結果が得られれば、より広範な調査に向けた根拠が強まる。性能が不均一なら、注目に値する用途はより限定される。どちらの結果も、別の条件を付さないカバレッジ主張より、意思決定に役立つ価値を提供する。

2つ目のシグナルは、臨床医とモデルが協働する際のエビデンスである。前向き評価、すなわち結果を収集する前に定義されたワークフローを中心に計画される試験に注目したい。

こうした取り組みでは、アシスタントが何を改善するものなのかを明記すべきである。レポートレビュー用アプリケーションにはレビューに関するエビデンスが必要であり、優先順位付け用アプリケーションには優先順位付けに関するエビデンスが必要となる。

有用なアウトカムには、便益と追加作業の両方が反映される。関連情報を提示する一方で、大量の不要な確認作業を生むアプリケーションは、タスク全体を改善するものとは異なる提案となる。

実務上の改善を示す結果は、商業的な論拠を強める。便益がほとんどない、あるいは負担の大きいレビュー工程を示す結果であれば、議論はより限定的な用途へ戻ることになる。

3つ目のシグナルは、特定のCTアプリケーションに関する導入と規制の明確性である。定義された意図された用途、該当する承認の詳細、バージョン文書、継続的な運用利用の証拠に注目したい。

これらの開示は、研究能力と、特定の臨床環境向けに提供される製品を区別する助けとなる。承認は、その明記された対象範囲に従って読むべきである。

DIAGENSは、HorusおよびDoctorBenchの評価情報を今後追加公開する予定であることも示している。これらの公開はモデルファミリーに文脈を加えるものとなるが、CTアプリケーションの臨床的な疑問を自動的に解決するものではない。

開発者にとって実務的な対応は、モデル結果とワークフロー上の主張を区別し続けることである。買い手にとっては、それを裏付けるエビデンスを選ぶ前に、意思決定を定義することである。

最も強力な続報には、より劇的な見出しは必要ない。システムがどこで役立ち、どこで苦戦し、その結論にどのように至ったのかを正確に示せばよい。

DIAGENS iMed-6.0は、主張される能力の具体的な拡張として捉え、その能力を臨床業務へ結び付けるエビデンスを追うべきである。まず完全な評価範囲を確認し、その留保を維持し、基礎となるタスクが一致する場合にのみ結果を比較する。パイロット導入を検討するなら、想定ワークフローと継続を正当化するアウトカムを定義する。試験済みモデルのバージョン、非対応検査の取り扱い、レビューを行う臨床医の責任について確認を求める。今後のリリースは、すでに評価された能力とは分けて扱う。次の発表に向けて持ち続けるべき問いは具体的である。新たなエビデンスは、誰かが利用しようとする環境で有用な支援を示しているか。

 
 

無料で始めましょう

ローカルファーストのパーソナル知識管理付きAIアシスタント

より良いAI体験のために、

remio は現在、 Windows 10+ (x64)とM-Chip Mac のみをサポートしています。

仕事のAIパートナー
remioでもっと仕事が進む

計画・作成・仕上げまで
すべてをひとつに

bottom of page