顔動画AIが高血圧と糖尿病をスクリーニング、ただし診断ではない
Google Newsで注目を集めている医療AIの主張がある。5秒間の顔動画から、高血圧を90.3%、糖尿病を81.2%の精度で識別できたというものだ。東京大学と東京科学大学の研究者らは、2026年8月29日に開催された欧州心臓病学会（European Society of Cardiology）総会で最新の結果を発表した。
この可能性は理解しやすい。人がカメラを見つめると、アルゴリズムが皮膚の血流に生じるほとんど見えない変化を解析し、慢性疾患の可能性を示す。そこには血圧計のカフも採血も必要ない。
より難しい問いは、管理された研究システムが、研究室の外でも信頼できるスクリーニングツールになれるかどうかだ。この研究は1施設の215人を対象とし、専用の分光カメラを用いた。血圧推定についても、医療機器に求められる重要なばらつきの基準を満たしていない。
この緊張関係は、見出しで示される精度の数値以上に重要だ。研究は非接触型ヘルススクリーニングの有用性を裏付ける一方、一般的な顔動画を診断に変えるものではない。また、利便性では劣るものの、はるかに十分な検証を受けている従来の臨床測定との直接的な対比も浮き彫りにする。
顔動画研究で実際に示されたこと
報告された進歩は迅速なリスクスクリーニング手法であり、血圧計のカフや臨床検査の代替ではない。
前向き研究では、日本の単一施設で診断済み患者と健常ボランティア215人を募集した。研究者らは高速分光カメラを使い、各参加者の顔と手のひらの短い動画を記録した。高血圧と糖尿病の基準結果には、従来の臨床評価を用いた。
分光カメラは複数の波長で光を記録するため、通常の画像では保持されない可能性がある色情報をソフトウェアで調べられる。このシステムは、皮膚を流れる血液に関連する微細な変化を捉えた。プロジェクトに関するこれまでの報道では、カメラは毎秒150フレームで動作していたとされる。
その後、機械学習アルゴリズムが主に3つの信号群を解析した。具体的には、脈波の動態、皮膚血流パターン、皮膚色のスペクトル特性である。脈波の動態は、圧力波が動脈内をどのように伝わるかを示し、動脈硬化に関連する情報を含み得る。
最新の顔動画の結果では、記録時間と疾患ごとの数値が示された。30秒の記録では、高血圧を95.0%の精度で識別した。高血圧に対する感度は89.2%、正常血圧に対する感度は100.0%だった。
記録時間を5秒に短縮すると、高血圧の精度は90.3%に低下した。糖尿病については、30秒の動画で88.2%、5秒の動画で81.2%の精度に達した。
精度だけでは、異なる集団や疾患有病率の水準で検査がどのように機能するかは分からない。また、正しい陽性・陰性結果を一つの見栄えのよい数値にまとめてしまう可能性もある。スクリーニングシステムを評価するには、感度、特異度、予測値、サブグループ別の性能が不可欠だ。
この研究では、顔動画でカフを使わずに収縮期血圧を推定できるかも検証した。収縮期血圧は血圧測定における上の数値であり、心臓が収縮した際の動脈圧を表す。
平均絶対百分率誤差は8.6%だった。平均誤差はマイナス2.6 mmHgで、推定値は平均すると基準測定値よりわずかに低かったことを意味する。
ただし、誤差の標準偏差は12.0 mmHgだった。これは研究発表で言及された8.0 mmHgという基準を上回る。平均誤差が小さくても、個々の測定では大きな誤差が生じ得る。
この技術の糖尿病に関する結果も、「糖尿病を検出する」という表現が示唆するほど広範なものではない。アルゴリズムは、1型または2型糖尿病の参加者に関連するパターンを分類した。グルコース、糖化ヘモグロビン、あるいは糖尿病の型を区別する生物学的過程を直接測定したわけではない。
この区別は、Google Newsの見出しを解釈する際の指針となるべきだ。このシステムは、小規模な臨床データセットで疾患に関連する信号を認識した。消費者向けカメラがいずれの疾患も独立して診断できることを示したわけではない。
非接触スクリーニングにおいてGoogle Newsの注目が重要な理由
この研究は巨大なスクリーニング上の空白に取り組んでおり、それが小規模な臨床プロジェクトでも世界的な注目を集める理由だ。
高血圧は明らかな症状を示さないことが多い。高血圧に関する統計によると、2024年には30～79歳の成人14億人が高血圧を抱えていた。約6億人は自らが高血圧であることを知らず、管理できていたのはわずか23%だった。
糖尿病もまた、検出と管理における大きな課題をもたらす。世界の糖尿病推計によると、2024年に影響を受けた20～79歳の成人は5億8900万人に上った。これは測定対象年齢層の成人の11.11%に当たる。
どちらの疾患も心血管リスクを高めるが、日常的なスクリーニングは依然として、適切な機器や訓練を受けた医療へのアクセスに依存している。血圧測定には適切なカフ、正しい姿勢、繰り返しの測定が必要だ。糖尿病の診断には通常、血液検査が必要となる。
カメラベースのチェックは、このプロセスの最初の段階を変える。スクリーニングは薬局のキオスク、職場の診療所、遠隔医療の診察、地域の健康イベントで実施できる可能性がある。疑わしい結果が出た人を、標準的な検査へと導ける。
研究発表者で東京大学の研究者でもある内田涼子氏は、このプロジェクトの目標を日常環境での非接触スクリーニングだと説明した。この表現は重要である。スクリーニングと診断は異なる役割を担うからだ。
スクリーニングは到達範囲を優先し、追加評価を受けるべき人を特定する。診断は、受け入れられた臨床基準を用いて、その人が疾患を持つかどうかを判断する。有用なスクリーニングツールは、フォローアップの経路によって見逃しや不要な治療を防げるなら、ある程度の不確実性を許容できる。
5秒という結果は実用面での魅力を加える。30秒でもすでに短いが、照明が変化したり、被験者が動いたり、何百人もの人が待っていたりする状況では、その時間さえ負担になり得る。5秒の記録は、受付デスク、モバイルワークフロー、公衆スクリーニングステーションにより自然に組み込める。
この技術は直接接触も避けられる。この特徴により、共用機器の清掃要件を減らし、カフや針を苦手とする人を支援できる。通常の健康診断を避ける人々の参加を高める可能性もある。
ただし、摩擦の低下は独自のリスクも生む。インターフェースが即時的で客観的に感じられるため、人々は手軽なカメラ結果を決定的なものとして受け止めるかもしれない。偽陰性は誤った安心感を与え、偽陽性は不安や不要なフォローアップを招く可能性がある。
したがってGoogle Newsによる拡散は、研究者、機器メーカー、臨床医、規制当局のすべてに同時に圧力をかける。研究者は元の施設を超えて信号を検証しなければならない。機器メーカーは、どのハードウェアが必要かを定義する必要がある。臨床医は結果を医療にどう組み込むかを判断し、規制当局はどの主張に医療機器としての審査が必要かを決めなければならない。
この圧力は消費者向け電子機器企業にも及ぶ。スマートフォンやウェアラブルのメーカーは、長年にわたり日常的なデバイスにウェルネス測定を追加してきた。信頼できる顔スキャンが実現すれば物理センサーへの依存を減らせるが、慎重な校正と、より厳格な医療上の主張も必要になる。
機会は広範なアクセスにある。責任は、スクリーニングの近道が診断の近道へと変わるのを防ぐことにある。
この仕組みは皮膚色の変化をリスク信号に変換する
このアルゴリズムは顔の見た目から糖尿病や高血圧を認識するのではなく、循環に結び付く光の変化を解析する。
中心となる技術は、より広い光電式容積脈波記録法の分野に属する。従来の光電式容積脈波記録法は、指や手首に接触するセンサーなどを通じ、光を使って皮膚近くの血液量の変化を追跡する。
一般にrPPGと略されるリモート光電式容積脈波記録法は、直接接触せずに動画から関連する脈拍信号を抽出する。心拍ごとに血液量にはごく小さな変動が生じる。その変動により、皮膚が光を吸収・反射する仕方もわずかに変化する。
カメラは一枚の写真ではなく、一連のフレームを記録する。ソフトウェアは適切な皮膚領域を分離し、その色の値を時間とともに追跡する。続いて信号処理の手法により、脈拍に関連するパターンを、動き、照明、圧縮、カメラの挙動によるノイズから切り分ける。
この日本のシステムは、基本的な消費者向けカメラの実装を超えている。分光カメラで波長情報を記録し、高速撮影を用いる。モデルは最も良好な高血圧の結果を得るため、顔と手のひらの両方を解析した。
脈波はすべての部位にまったく同じタイミングで到達するわけではない。そのタイミングと形状は、動脈硬化を含む心血管系の特性を反映する。アルゴリズムは、こうした空間的・時間的な違いを血圧に関連する特徴量として利用する。
糖尿病の検出は、より間接的な経路をたどる。糖尿病は小さな血管、循環、組織の特性に影響を及ぼし得る。モデルは、診断済みの参加者に関連する血流とスペクトルのパターンの組み合わせを探す。
関連性は、直接的な生化学的測定ではない。血糖検査はグルコース濃度を測定し、HbA1c検査は数か月にわたる平均的なグルコース曝露を推定する。一方、顔動画分類器は、取得した特徴が訓練データで見つかったパターンに似ているかどうかを推定する。
この違いが、本記事における主な対立点を生む。カメラによるスクリーニングは速度と規模を提供する一方、標準的な臨床検査は、医師が治療に用いる数値とのより明確な結び付きを提供する。
このプロジェクトは、2024年の最初の公開発表以来進化してきた。その時点では、初期研究の要旨で、高速カメラが顔と手のひらを5～30秒間記録すると説明されていた。
この予備報告では、分析で用いた米国心臓協会の閾値に基づき、このシステムはステージ1高血圧の検出で94%の精度を示したとされた。30秒の構成では正常値を上回る血圧を86%の精度で検出し、5秒版では81%に達した。
2026年の発表では、より詳細な高血圧の結果と、新たな糖尿病の精度数値が加わった。同時に、より広範な利用の前に改善が必要な血圧推定のばらつきも明らかになった。
研究者らは今後、より大規模な多施設データセットと特徴量の最適化を用いるとしている。また、一般的なスマートフォンカメラでシステムを機能させ、睡眠中を含む連続測定を実現したい考えだ。
これらの目標には、それぞれ別個の工学的課題が伴う。標準的なスマートフォンカメラは通常、研究用ハードウェアよりもフレーム数が少なく、スペクトル情報も限られる。消費者向け動画では、制御されない照明、カメラ処理、ネットワーク圧縮、動きにも対応しなければならない。
継続的な測定は、さらに複雑な問題を生む。座位で5秒間記録したデータは、会話中、歩行中、方向転換中、あるいは睡眠中の人をモニタリングする場合とは異なる。生理学的信号は、ストレス、気温、服薬、姿勢、直近の活動によっても変化する。
動画から脈拍に関連する情報を復元できるため、この仕組みには科学的な妥当性がある。未解決の問題は、訓練済みモデルが疾患の信号を、皮膚の血流を変化させる日常的な要因すべてから分離できるかどうかだ。
専用カメラはなお臨床現場の現実を上回らなければならない
最も強力な実験室での結果は、一般ユーザーがまだ利用できないハードウェアと条件に依存している。
単一施設での研究は実現可能性を示せるが、医療システム全体での信頼できる性能を立証することはできない。215人の参加者が、大規模スクリーニングで遭遇する年齢、皮膚特性、服薬状況、併存疾患、環境を代表しているとは限らない。
研究者らは、学会発表の告知において、すべてのサブグループ結果を公表していない。これにより、肌の色、生物学的性別、年齢層、異なる糖尿病のタイプごとの性能について重要な疑問が残る。
皮膚の色素沈着や照明が反射光に影響するため、光学システムの挙動は異なり得る。化粧、ひげ、傷跡、発汗、動きも記録される信号を変化させる可能性がある。分光イメージングは波長の分離に役立つが、消費者への普及はより低価格なハードウェアにかかっている。
選択バイアスも別の懸念だ。臨床研究における診断済み患者は、健常ボランティアと明確に異なる場合がある。実際のスクリーニング対象集団には、境界例、未診断の疾患、複数の薬剤使用、重なり合う心血管リスクが含まれる。
こうした要因が研究グループ間で異なる場合、モデルは意図しない相関を利用する可能性がある。薬剤の影響、年齢分布、記録条件を疾患ラベルと関連付けてしまうかもしれない。多施設での検証は、そうした相関が別の場所でも成り立つかを明らかにする助けとなる。
糖尿病という分類には、原因が異なる1型と2型の疾患が含まれている。1型糖尿病では、インスリンを産生する細胞が自己免疫によって破壊される。2型糖尿病は主にインスリン抵抗性と進行性の代謝機能障害を伴う。
血管由来の信号は両グループに共通する影響を反映している可能性があるが、疾患タイプを説明するものではない。また、循環に影響する他の疾患とも重複し得る。将来の試験では、こうした交絡因子に対する特異性が重要になる。
血圧推定には、特に厳しい基準が求められる。研究における収縮期血圧の平均誤差は示された平均誤差の上限を満たしたが、標準偏差は12.0 mmHgであり、引用された8.0 mmHgの基準を上回った。
AAMI、欧州高血圧学会、ISOによる共同フレームワークでは、主要な検証基準として、平均差が5 mmHg以下、標準偏差が8 mmHg以下であることを求めている。公開されている検証フレームワークも、標準化されたサンプルと比較の重要性を強調している。
平均誤差と誤差のばらつきの違いは決定的に重要だ。ある推定値が12 mmHg高く、別の推定値が12 mmHg低い場合を想像してほしい。平均誤差はゼロになるが、どちらの結果もそのユーザーにとって満足できるものではない。
そのため、正確性の割合だけでは判断できない。スクリーニング用分類器は、対象者がリスク分類に該当するかを問う。測定機器には、対象集団全体で臨床的に解釈できる十分な精度の値を出すことが求められる。
規制当局はカフレス測定により注意を向けている。米国食品医薬品局は、血圧を測定または推定すると主張する未承認製品に依存しないよう消費者に警告している。
同局の機器安全警告によると、不正確な測定値は治療の遅れや必要な医療の見逃しにつながり得る。医療上の判断で精度が必要な場合には、承認された機器を使用するよう推奨している。
この警告は、この研究システムを評価したものではない。診断、治療、モニタリングに影響する主張を行う商用版が直面する基準を示している。
したがって、当面の競合相手は別のAI企業ではない。検証済みのカフ、反復測定、臨床検査から成る確立された臨床パスである。そのパスには手間があるが、限界は理解されている。
カメラシステムは、その利便性が許容できない不確実性を隠していないことを証明しなければならない。それまでは、従来の評価へ人々を導く役割が最適であり、それを置き換えるものではない。
見出しの精度数値が示していないこと
研究の見出しとなる数値は、特定のデータセットでの性能を示すものであり、特定の個人に対するカメラ結果が正しい確率を示すものではない。
糖尿病の正確性81.2%という数値は直感的に聞こえるが、実用上の意味は検査対象集団に左右される。疾患の有病率が変われば、陽性結果のうち実際の疾患を反映する割合も大きく変化し得る。
未診断の糖尿病を持つ人が比較的少ない集団をスクリーニングプログラムが検査すると仮定しよう。感度と特異度が十分に高い検査であっても、想定以上に偽陽性が生じる可能性がある。その人々はなお、状態を判断するために血液検査を必要とする。
偽陰性という逆の問題も重要だ。高血圧の人が安心できる結果を受け取り、検証済みの測定を先延ばしにするかもしれない。製品が不確実性やフォローアップの指針なしに結果を提示する場合、そのリスクはより深刻になる。
学会発表の告知は、査読済みの完全論文よりも方法論の詳細が少ない。現時点の資料では、データセットの分割、モデル訓練手順、信頼区間、閾値の選定、外部検証について十分に説明されていない。
報告された精度が、モデル開発から完全に分離された参加者に基づくものかは不明だ。同一人物からの複数記録には非常に識別しやすい特徴が共有され得るため、被験者単位での分離は不可欠である。
ラベルも精査に値する。高血圧は、一度の何気ない測定だけで診断されるものではない。臨床的な定義では、管理された条件下での反復測定が用いられ、閾値はガイドラインや環境によって異なる。
糖尿病のラベルには、認められた生化学的検査と臨床的解釈が必要だ。顔のスキャンだけで、参照となる測定値なしに治療が必要かどうかを判断することはできない。また、症状、病歴、急性合併症の評価を置き換えることもできない。
Google Newsの切り口は、AIが顔から二つの疾患を検出するという単純な物語へ、こうした違いを圧縮してしまう可能性がある。実際の研究はより精密で、より限定的だ。従来の評価で既に特定された疾患を、光学的な循環信号で分類できるかを検証している。
プライバシーも別の不確実性をもたらす。顔の動画は、生理学的データであると同時に、個人を特定し得る画像でもある。実運用されるシステムには、保存、送信、二次利用、削除、モデル訓練に関する明確なルールが必要になる。
ローカル処理は情報露出を減らせる可能性があるが、高速のスペクトル解析には当初、専用機器または集中型の計算処理が必要になるかもしれない。クラウド処理は、より大きなセキュリティおよびガバナンス上の負担を生む。
開発者は、本人認識と健康分析を分離しなければならない。スクリーニングシステムが皮膚信号を測定するために、その人の顔を識別する必要はない。臨床上の必要性なく識別可能な動画を保持すれば、回避可能なリスクが生じる。
バイアス検証は、単一の肌の色比較にとどめてはならない。照明、カメラハードウェア、圧縮設定、顔の覆い、年齢、疾患の重症度は相互に影響し得る。検証では、成功した測定だけでなく失敗も報告すべきだ。
困難な条件で結果の生成を拒否するシステムは、常に自信に満ちたスコアを返すシステムより安全な場合がある。ただし、高い失敗率は、非接触スクリーニングが到達すべき集団を排除しかねない。
臨床ワークフローの設計は、モデル精度と同じくらい重要だ。陽性結果には、検証済みカフによる測定や臨床検査など、明確な次のステップが必要になる。陰性結果には、通常の受診を控えさせない表現が必要だ。
研究チームは、スマートフォンでの利用を将来の課題として適切に提示している。カメラを変えればデータも変わるため、消費者向けのバージョンは新たな実装として評価すべきである。
毎秒150フレームのスペクトル動画から一般的な前面カメラへ移行することは、単なるパッケージングの問題ではない。波長分解能、時間分解能、ノイズ、露出の挙動が変化する。モデルには新たな訓練と、改めて臨床検証が必要になる可能性がある。
責任ある解釈は、希望を持たせる一方で限定的なものだ。この結果は、非接触スクリーニングに関するより大規模な試験を正当化する。しかし、今日、スマートフォンの自撮りだけで高血圧や糖尿病を診断することを正当化するものではない。
顔動画AIが実験室を出られるかを示す三つのシグナル
次の段階は、外部検証、消費者向けカメラでの性能、規制された臨床ユースケースにかかっている。
第一のシグナルは、透明性の高い検証を含む完全な査読済み論文の公表だ。研究者は、信頼区間、参加者の特性、疾患定義、モデル開発手法、被験者単位でのテスト分離を報告する必要がある。
多施設研究には、異なる機器、患者集団、臨床ルーチンを持つ施設を含めるべきだ。こうした施設全体で強い性能が示されれば、モデルが一施設特有の信号を学習した可能性を下げられる。
サブグループの結果は、年齢、性別、皮膚の色素沈着、薬剤使用、関連する併存疾患を対象とすべきだ。研究者は、システムが利用可能な結果を出せない割合も公表すべきである。
この証拠は、顔面の血流パターンが一般化できるという主張を強めるだろう。元の施設の外で性能が大きく低下すれば、現在の精度が管理された条件またはデータセット固有の相関を反映していることを示唆する。
第二のシグナルは、一般的な消費者向けカメラでの性能だ。有用な報告では、対応ハードウェア、最低フレームレート、照明要件、記録時間、処理がローカルで行われるかを明示すべきである。
スマートフォン版は、分光カメラと直接比較すべきだ。研究者は、スペクトル情報と高速情報が除かれた際に、どの程度の精度が失われるかを示さなければならない。
独立した検証には、異なるスマートフォンモデルとカメラ処理パイプラインを含めるべきだ。メーカーごとに異なるノイズ除去、色補正、露出、圧縮処理が適用され、それらはいずれも生理学的信号を変化させ得る。
消費者向けカメラでの検証が成功すれば、潜在市場は大幅に拡大する。失敗しても基礎となる科学を無効にするわけではないが、システムの利用は専用カメラを備えた診療所、薬局、キオスクに限定されることになる。
第三のシグナルは、明確に定義された規制および臨床パスだ。開発者は、製品がリスクをスクリーニングするのか、血圧を推定するのか、治療をモニタリングするのか、あるいは疾患を診断すると主張するのかを決めなければならない。
用途ごとに結果は異なる。低リスクのウェルネス通知は、服薬判断に使われる測定と同等ではない。製品の表現とインターフェース設計は、根拠に見合ったものでなければならない。
将来の試験では、想定される利用環境でシステムを検証済みのカフおよび臨床検査の測定値と比較すべきだ。単にモデルがデータセットのラベルを再現するかだけでなく、スクリーニングが確定診断と適切なケアにつながるかを追跡する必要がある。
医療システムには、ワークフロー上の負担に関する証拠も必要になる。偽の警告を多く出しすぎるツールは、診察枠や検査リソースを消費しかねない。高リスク患者を見逃すツールは、スクリーニングの目的を損なう可能性がある。
Google ニュース経由でこの記事にたどり着いた読者にとって、実践的な要点は明確です。顔の動画を使って高血圧や糖尿病ではないと判断してはならず、実験段階のカメラ結果に基づいて治療を変更してはいけません。
この話は、医療AIがどこへ向かっているかを示す目印として捉えるべきです。カメラは生理学的センサーになりつつあり、機械学習は人間の視覚では捉えられない健康関連のシグナルを復元できる可能性があります。研究は、2024年の予備的な発表から、より詳細な2026年の知見へと進展しています。
次の判断を左右すべきなのは見出しではなく、エビデンスです。多施設での検証、サブグループ別の透明性ある性能評価、そして一般的なスマートフォンでの結果に注目してください。大幅な精度低下なしにそれらが実現すれば、非接触スクリーニングは日常診療に入る信頼できる道筋を得るでしょう。それまでは、最も有用な行動は従来どおりです。検証済みの方法で血圧を測定し、推奨される糖尿病検査を受け、気になる結果については資格を持つ医療専門家に相談してください。
