乳がん検診向けAIリスクモデル「NYU-DRP」が、複数年の3Dマンモグラフィを解析し5年リスク予測で従来手法を上回ったと報告された。同じ週、WHOのがん研究機関IARCは脳腫瘍診療支援の欧州AIプロジェクト「EUcanAI」の開始を発表した。臨床現場へのAI導入は「精度」から「信頼と実装」の段階に入りつつある。

AIの医療応用は今、実験室から診療の現場へ移る局面を迎えています。2026年9月上旬にも、乳がん検診のリスク予測、脳腫瘍の診療支援、そして臨床AIの透明性評価という3つの異なるレイヤーで動きが報告されました。それぞれ一次情報をもとに整理します。

5年がんリスク予測で従来手法を上回ったNYU-DRP

NYU Langone HealthとPerlmutter Cancer Centerの研究チームは、経年的な3Dマンモグラフィ（DBT）を解析する深層学習モデル「NYU-DRP」を開発し、その成果をAmerican Journal of Roentgenologyに2026年8月12日付で発表しました。

このモデルは、2016〜2020年にNYU Langoneの病院で撮影された、がんを有しない161,165人の313,531枚の年次3Dマンモグラフィから構築されました。複数年の撮影をまたいで乳房組織の変化を学習する点が特徴です。

予測性能の数字はこうです。5年後に乳がんを発症するリスクの高低判定（AUCに基づく順位付け）で、NYU-DRPは72%の正確さを示しました。直近1回のみの3D撮影を用いるモデルは70%、2Dマンモグラフィ解析AIは68%でした。また、遺伝情報や家族歴などを用いる従来のTyrer-Cuzick評価（432人の比較対象検討）では、NYU-DRPが67%、Tyrer-Cuzickは56%と、11ポイントの差が報告されています。

興味深いのは、乳房密度だけではリスクを予測できなかった点です。高密度乳房の女性のうち37.6%はNYU-DRP上「平均リスク」に分類され、実際の5年発症率は0.7%でした。逆に脂肪性の低密度乳房の女性の15.5%が高リスクに分類され、実際の発症率は2.5%だったといいます。単一の生物学的指標より、時間軸の画像パターンの方が情報を持っている可能性を示唆する結果です。

ただし研究チーム自身が述べているように、全撮影が単一メーカー（Hologic）の装置で行われており、他施設・他メーカーでの交叉検証が今後の課題です。共同研究者のLaura Heacock氏は、他施設・他社データでの検証が成功すれば、リスクに応じた検診の個別化につながるとしています。

脳腫瘍診療に特化した欧州のAIエージェント連携

がん診断の国際標準である「WHO腫瘍分類」を刊行するIARC（国際がん研究機関）は2026年9月10日、脳腫瘍の診断・治療支援を目的とする欧州プロジェクト「EUcanAI」への参画を発表しました。

脳腫瘍の診断と治療管理は個人の専門性への依存度が高い領域です。EUcanAIは、患者相談・診断・治療計画という各段階に特化したAIシステムをネットワーク化し、診療ガイドラインに沿った迅速で信頼性の高いケアを支援するのが目標とされています。

プロジェクトは2026年9月1日に正式開始（準備作業は6月25日から）で、ドイツのハイデルベルク大学病院が主導し、ドイツ・オーストリア・デンマークの計12機関が参加。欧州評議会（EIC）Pathfinderプログラム（Horizon Europe）にて4年間の資金を得ています。IARCは中枢神経系腫瘍の包括的分類と、AIモジュールの設計・訓練・実装を支えるフレームワークの提供を担います。

この構図が示すのは、医療AIが「単一モデルの精度競争」から「診療プロセス全体を覆うシステム間連携」へと設計思想を変えつつあることです。病理・画像・治療計画を段階ごとに支援する特化AIをつなぐアプローチが、公的資金で本格検証されます。

精度より先に問われる「説明可能性」の評価基準

導入が進むほど浮かび上がるのが信頼性の問題です。キングス・カレッジ・ロンドンの研究チームは2026年9月9日、臨床現場のAIシステムが本当に「透明」かを評価する数学的フレームワークをJournal of Machine Learning Researchに発表しました。ブラックボックス化したAIの出力を臨床医が検証・理解できるかを形式化し、「説明可能性」を主観でなく数理的に判定しようとする試みです。

業界側の動きも続いています。韓国のLunitは9月12日開幕の世界肺癌会議（WCLC）で、非小細胞肺がんの腫瘍微小環境をAI解析する3件の研究を発表すると発表しています。またコロンビア大学とAWSは9月10日、疾患検出モデル開発のためのクラウド・AI基盤の共同研究で連携すると公表しました。

「事例」から見える次の課題

今週の一次情報を並べると、医療AIの産業応用は三層で同時に進んでいることがわかります。第一に、経年画像という既存データの再解釈で検診そのものを変える試み（NYU-DRP）。第二に、診療プロセス横断のAIシステムを公的資金で構築する動き（EUcanAI）。第三に、その導入条件となる透明性の評価基盤づくり（KCL）です。

NYU-DRPの研究が示すように、性能向上の源泉は新しいセンサーより「時間軸を含む既存データの組み直し」にある可能性があります。一方で、単一施設・単一メーカー由来のデータによる検証限界は、どの精度数値にもつきまとう留意点です。実装段階のAIが約束を果たすかどうかは、他施設検証と説明可能性の担保という地味な作業の積み重ねに懸かっています。