何が起きたのか：腹部CT向け医療AI「RADAR」の公開と報道の実態

中国のAlibaba DAMO Academyは2026年9月18日、腹部造影CTを対象とする医療AIモデル「DAMO RADAR（以下、RADAR）」のコードとモデルを公開しました[1]。RADARは視覚情報とテキスト情報を統合して処理する大規模なビジョン言語モデルです[1]。

RADARの入力画像は、腹部を撮影した造影CT検査に限定されています[2]。造影CTとは、血管や臓器を明瞭に描出するために造影剤を投与して撮影するCT検査を指します。本モデルは単純CTやMRI、X線、病理画像などを対象とする技術として公開されたものではありません[2, 42]。造影条件が大きく異なる検査への適用も確認されていない点に注意が必要です[42]。

一部のメディアでは「約150疾患を検出」と報じられましたが、この表現はモデルが評価された146の所見を丸めたものです[4]。RADARは18の腹部解剖学的構造を対象に、146の臨床的・画像上の所見を識別するよう評価されました[3, 14]。これは独立した146種類の疾患や、146種類のがんの確定診断を意味するものではありません[4]。

また「がん検出」という報道も、146の所見の中に悪性腫瘍などの画像所見が含まれている事実を指しています[5]。RADARはがん検出に特化した専用モデルではなく、全身のあらゆるがんを網羅的に診断するシステムでもありません[5]。モデルの学習には、造影腹部CT検査424,911件、画像とテキストのペア約150万件、解剖学的に分解したペア1,500万件超が用いられました[7, 14]。

性能評価において、RADARは約40,000件の実臨床検査で平均AUC 0.913を記録しました[6]。AUC（Area Under the Curve）とは、検査やAIの診断性能を0から1までの数値で表す統計指標です。数値が1に近いほど識別能力が高いことを示します。ただし、この数値は正診率が91.3％であることや、AIが患者を自律的に診断できることを意味するものではありません[6]。

後輩「約150疾患を検出」というニュースを見ると、全身の病気を見抜けるAIが登場したように感じてしまいますね。

先輩見出しだけを追うとそう受け取ってしまうけれど、対象は腹部の造影CT画像に限られているよ。

後輩単純CTやMRI、他の部位の検査は対象外なんですね。150疾患というのも病名のことではないのですか？

先輩そうなんだ。画像上で確認できる146の所見を指していて、独立した病気を確定診断できるわけではないんだよ。

後輩所見の識別と病気の確定診断は別物だという前提を押さえておかないと、実態を見誤ってしまいますね。

先輩その通りだね。高い評価指標が出ていても、AIが自律して患者を診断する技術ではない点には注意が必要だよ。

なぜ今公開されたのか：論文発表に合わせた研究基盤の共有とライセンスの制約

Alibaba DAMO AcademyがRADARを公開した直接の目的は、研究基盤の共有にあります。学習、推論、評価の手順やモデルのチェックポイントを研究者に提供し、RADARの研究利用と再検証を可能にすることが明示されています[12]。公式の研究上の狙いとしては、単一疾患専用モデルではなく、腹部CTの多様な臨床課題に対応するスケーラブルで汎用的な医療画像AIの枠組みを示すことが挙げられています[13]。

公開のタイミングにも明確な背景が存在します。学術誌『Science』に査読済み論文が掲載された翌日にコードとモデルが公開されました。この時系列から、研究成果を直ちに研究コミュニティへ移転し、再現や拡張を促す意図があったと推測されています[15]。一方で、医療AI市場での競争優位の獲得や、AlibabaのAIエコシステム拡大、医療アクセスの改善といった意図は、公式ページでは明示されていません[16]。

注意すべき点は「オープンソース化」という言葉が指す範囲とライセンスの制約です。公開された資産すべてが無条件に商用利用できるわけではありません。プログラムコードはApache License 2.0で公開されていますが、モデルの重み（学習済みパラメータ）には非営利目的に限定されたCC BY-NC-SA 4.0ライセンスが適用されています[17, 23, 34]。

そのため、医療AI企業がこのモデル重みをそのまま商用の診断支援製品に組み込むことは許諾されていません[23, 34]。研究用コードや重みの公開は、学術的な再現や再検証を可能にするものであり、それ自体が臨床的有効性や医療機器としての承認を意味するものではありません[41]。

以下の表は、公開された資産ごとのライセンス条件と許可される利用範囲を整理したものです[17, 23, 34]。

公開資産適用ライセンス商用利用の可否許可される主な利用範囲
プログラムコード（学習・推論・評価等）Apache License 2.0許諾コードの改変、再配布、商用システムへの組み込み
事前学習済みモデル重み（チェックポイント）CC BY-NC-SA 4.0不可（非営利限定）学術研究、再現実験、非営利目的での検証やモデル改変

後輩オープンソース化されたと聞くと、企業でもすぐに製品へ組み込めると思いがちですが、違うのですか？

先輩プログラムのコードと学習済みのモデル重みで、適用されているライセンスが分かれている点に注意が必要だよ。

後輩コードは商用利用できるライセンスでも、モデルの重みは非営利に限定されているわけですね。

先輩そうなんだ。研究者が技術を検証するための公開であって、商用製品への無条件な流用は認められていないんだよ。

後輩公開された資産を自社でどう扱えるのか、ライセンスの条件を冷静に見分ける必要がありますね。

何が変わるのか：手動ラベル不要の学習手法と検証された診断性能

RADARがもたらした技術的な新規性は、学習手法のアプローチにあります。本モデルは臨床レポートから手動アノテーションなしで直接学習を行いました[7, 19]。アノテーションとは、AI学習用に画像データへ病変の位置や名称などの正解ラベルを付与する作業のことです。従来の一部の教師あり学習（正解ラベルを使って学ぶ手法）では、医師が病変を手作業で囲んでラベル付けする必要がありました。RADARは42万件超の臨床検査とテキスト情報を活用し、規模を拡大しやすい学習基盤を示しました[7, 19]。

検証結果においても高い性能が報告されています。開発元の浙江大学医学院附属第一医院における内部評価では、連続する39,160件の非救急造影腹部CTを対象に、146所見の平均AUC 0.913を記録しました[8]。さらに、外部8施設の患者集団（コホート）を用いた評価では、平均AUC 0.895を示しました[9]。また、救急データを特別に学習していないにもかかわらず、27,000件超の救急CT症例においてAUC 0.904を示しました[9]。

臨床現場への支援効果も検証されています。放射線科医26人を対象とした読影者試験において、RADARの支援を受けた医師の診断感度が約10％向上したと報告されています[10, 21]。診断感度とは、病変がある場合に正しく陽性と判定できる割合を指します。AIが第二読影者やチェックリストとして機能することで、見落としを防ぐ効果が期待されています[21]。

しかし、提示された数値の解釈には慎重さが求められます。平均AUC 0.913だけでは、判定のしきい値ごとの感度や特異度は分かりません。特異度とは、病変がない場合に正しく陰性と判定できる割合です。偽陽性率（病変がないのに陽性と判定する割合）や偽陰性率（病変があるのに陰性と判定する割合）も、AUCの数値だけでは分かりません[36]。そのため、実際の臨床現場でどの程度の見落としや誤検出が生じるかを直接評価することは困難です[36]。

また、146所見全体の平均値という集計方法によって、個別の疾患や臓器ごとの性能差が隠されている可能性が指摘されています[37]。希少な所見や微小な病変に対して十分な検出力があるとは限らず、実際の導入判断には所見ごとの詳細なデータが必要です[37]。さらに、手動ラベルを介さずに臨床レポートから直接学んだため、レポート内の見落としや曖昧な記述が学習の正解として使われる情報（教師信号）に取り込まれる懸念があります[38]。

以下の表は、報告された内部検証、外部検証、救急CT検証の規模と数値をまとめたものです[8, 9]。

検証区分対象データおよび施設検査件数平均AUC
内部評価浙江大学医学院附属第一医院（非救急造影腹部CT）39,160件0.913
外部評価外部8施設コホート（一次情報に記載なし）0.895
救急評価救急CT症例（救急特化の事前学習なし）27,000件超0.904

後輩手作業でラベルを付けずにレポートから学んだというのは、開発効率の面で大きな前進ですね。

先輩医師が1枚ずつラベル付けする負担を減らして、日常の診療データから直接学べる汎用的な道筋を示したね。

後輩外部の施設や救急の現場でも高いAUCが出ていますが、これならすぐに臨床で活用できるのでしょうか？

先輩平均値が高いからといって、すべての病変を均一に見つけられるとは限らないんだよ。

後輩得意な所見と苦手な所見が混ざっていて、見落としが起きる可能性も考えられますね。

先輩その通りだね。現場で使うには、所見ごとの感度や誤検出の割合を個別に見極める必要があるよ。

誰に影響するのか：放射線科医・医療機関・AI企業・患者における現実的な影響

RADARの公開は、医療に関わる関係者に多様な影響をもたらします。まず研究者にとっては、推論、学習、評価、前処理のコードと事前学習済みモデルのチェックポイントが手に入るため、再現実験や自施設データを用いた微調整に直ちに着手できます[18]。

医療機関や放射線科医にとっては、読影支援ツールとしての実用性が議論の対象となります。放射線科医が第二読影者としてRADARを活用することで、診断感度を高める支援が期待されています[21]。また、病院側が検査の優先順位付けや見落とし候補の提示にAIを組み込む可能性も検討されています[20]。専門医が不足している地域では、遠隔読影の補助や異常候補の早期エスカレーションに役立つ可能性も指摘されています[24]。

しかし、病院への導入には大きな前提条件が存在します。施設ごとに導入されているCT装置のメーカー、撮影プロトコル、患者層が異なるため、導入前には自施設データによる綿密な外部検証が不可欠とされています[20, 39]。開発環境と異なる条件下では、報告された性能からさらに低下するリスクが指摘されており、人種や年齢層別の公平性についても公開情報だけでは判断できません[39]。

さらに、公式概要で「説明可能（interpretable）」と記載されているものの、AIがどの画像領域や根拠に基づいて陽性と判定したのか、その説明の妥当性を医師が検証できるかは公開情報から明らかではありません[40]。医療AI企業にとっては、ゼロから基盤モデルを学習するコストを抑え、評価用の基準モデルや微調整の出発点として活用できる利点があります[22]。ただし前述の通り、モデル重みの商用利用にはライセンスの制約が伴います[23]。

患者側の視点においては、誤解を避ける必要があります。今回のモデル公開によって、患者が直接AIによる自律診断を受けられるようになるわけではありません[25]。RADARが扱うのは造影腹部CTのみであり、他の検査や人間による臨床的な判断プロセスを代替するものではないためです[25]。

後輩病院がこのAIを導入すれば、医師不足の現場でもすぐに負担を減らせるのでしょうか？

先輩病院ごとに使っているCT装置や撮影方法が違うから、自施設で検証しないと期待通りに動くかは分からないよ。

後輩機器の設定や患者の背景が変わるだけで、性能が落ちてしまう恐れもあるわけですね。

先輩その通りだね。それにAIがなぜその判断を下したのか、医師が納得できる説明が得られるかもまだ未解明なんだ。

後輩医師の代わりになる技術ではなく、医師が慎重に検証しながら扱う支援ツールという位置づけですね。

実用化への課題：医療機器規制の壁と患者データの保護要件

RADARを実際の臨床現場へ導入するためには、技術的な性能評価だけでなく、医療機器規制とデータ保護という2つの大きなハードルを越える必要があります。RADARの公式公開物は医療機器として承認された完成品ではなく、研究者が検証を行うためのモデルやコードとして提示されています[26, 35]。

公開されたモデルを実際の診療で診断支援に用いる場合、各国の医療機器規制（SaMD: Software as a Medical Device、プログラム医療機器）への適合が求められます[27]。単にAIをサーバに配置するだけでは不十分です。使用目的、対象患者、撮像条件、臨床的有効性、安全性、現場の診療手順（ワークフロー）との整合性を厳格に評価する必要があります[27]。

主要国における規制要件はそれぞれ厳格に定められています。米国で製品を市場に投入する場合、用途やリスク区分に応じて米国食品医薬品局（FDA）の審査を受ける必要があります。審査経路には、既存機器との同等性を示す市販前届出（510(k)）、新たなリスク区分を求める新規分類（De Novo）、高リスク製品向けの市販前承認（PMA）があります[28]。欧州連合（EU）では、医療機器規則（MDR）に基づき、品質管理体制や技術文書の整備、適合性評価、EU適合宣言が求められます。高リスクAIに該当する場合は、EUの人工知能法（AI法）に基づく運用義務も生じます[29]。日本においても、疾病の診断や治療を目的とし、動作不良時に患者の生命や健康に重大なリスクを与えるソフトウェアは、医薬品医療機器等法（PMD法）上の医療機器プログラムに該当します[30]。

診療にAIを導入した際の責任構造も重要です。責任はモデルの公開者だけに集中するわけではありません。製品として市場に投入する事業者（Provider）と、システムを選定して運用・監視する医療機関（Deployer）の間で、法的な責任が分担される構造になります[31]。また、確認できる範囲では患者の人種や年齢構成、CT装置メーカーなどの詳細が不明です。そのため、研究対象とは異なる一般の患者集団へ適用する際は慎重さが必要です[11]。

さらに、患者データのプライバシー保護規制への対応も必須です。RADARの推論や再学習に患者のCT画像や読影レポートを用いる場合、法的な管理が求められます。米国では識別可能な医療情報はHIPAA（医療保険の携行性と責任に関する法律）の保護対象医療情報（PHI）となり、匿名化、またはHIPAAで認められた利用・開示の要件を満たす必要があります[32]。欧州のGDPR（一般データ保護規則）では健康情報は特別カテゴリーの個人データに該当し、中国の個人情報保護法でもセンシティブ個人情報に分類されます[33]。そのため、利用目的の限定、安全管理措置、適切な法的根拠の確保が必要です。同意が法的根拠となる場合は、本人から有効な同意を得ます。必要に応じて、国境を越えたデータ移転（越境移転）にも対応しなければなりません[33]。

このように、現時点のRADARは研究利用や自施設検証のための基盤モデルであり、規制承認を受けた自律診断機器や即座に商用導入できるシステムではない点に留意する必要があります[35]。

以下の図は、研究用公開モデルが実際の臨床現場に導入されるまでの規制審査プロセスと、関係主体の責任分担を示したものです[26, 27, 31, 35]。

後輩研究モデルとして優れた性能を示しても、実際の医療現場で使えるようになるまでには高いハードルがあるのですね。

先輩医療機器として承認を受けるには、診断の精度だけでなく、安全性や法的な責任の所在を明確にしなければならないよ。

後輩もしAIが判断を誤った場合、誰が責任を持つのかという問題も複雑になってきますね。

先輩モデルの公開者だけでなく、製品として提供する事業者や、実際に使う医療機関の間で責任が分担される仕組みになっているんだ。

後輩さらに患者さんの画像やカルテ情報を守るために、各国の厳しいデータ保護法にも従う必要がありますね。

先輩その通りだね。高性能なモデルの公開は第一歩だけれど、現場で安全に使うための制度への適合こそが本番なんだよ。