AI支援診断一体型システムのハードウェア構成は、医用画像と臨床データの推論タスク向けに構築された異種コンピューティングプラットフォームを中心とし、通常はGPUまたはNPUの推論アクセラレータカード、マルチコアのサーバーグレードCPU、大容量メモリと高速ストレージ、医療グレードの表示・取得インターフェースで構成され、医療機器の電気安全と電磁両立性の要件も満たす。一体型システムの実用性を決めるのは単一の演算ピークではなく、演算の種類が診断モデルと合っているか、メモリ帯域が大規模画像を支えられるか、装置全体が診察室や機器室で放熱と安定性をどう確保するかである。
1. AI支援診断一体型システムが解決する課題
従来はPACSサーバー、アルゴリズムワークステーション、医師端末に分散していた推論チェーンを1台に集約する。典型的なタスクは、肺結節のスクリーニング、眼底画像による糖尿病網膜症のグレーディング、冠動脈石灰化スコア、骨折検出、病理スライドの一次スクリーニングであり、入力はCTやMRのDICOMシリーズまたはデジタル病理WSIの大画像、出力は信頼度付きの病変注記と構造化レポートである。
AIモデルを動かす汎用サーバーと異なり、一体型システムは3つの特殊なワークロードを扱う必要がある。第1に、1症例あたりの画像データ量が大きく、薄スライス胸部CT1件で数百MBに達し、メモリ容量とGPUメモリ帯域への要求が高い。第2に、推論は臨床的に許容される時間内に完了する必要があり、通常は1症例を数十秒に収める。第3に、DICOM、HL7 v2、FHIRなどのプロトコルに従って病院既存のPACS、HIS、RISと統合する必要がある。したがってハードウェア構成の第一原則は、ピークTOPSで階層を決めるのではなく、モデルに合わせて演算を決めることである。
2. 推論アクセラレータカードの選び方とGPUとNPUの違い
現在の一体型システムのアクセラレーションは、おおまかに3つの階層に分かれる。第1は大容量HBMを備えたデータセンターグレードのGPU推論カードで、マルチモーダル大規模モデル、高解像度3D画像再構成、病理大画像の推論に適する。GPUメモリ帯域が重要な指標であり、HBM3E世代の製品はカードあたりのメモリを300GB近くまで引き上げ、1症例を分割せずに読み込める。第2はエッジ推論アクセラレータカードやNPUプラットフォームで、低消費電力かつ小型であり、診察室の机に置く軽量な一体型機で眼底カラー写真のグレーディングや胸部X線の一次スクリーニングといった単一疾患モデルを動かすのに適する。第3はNPU統合の組み込みプラットフォームで、ポータブル超音波やリアルタイム内視鏡支援のような低遅延シナリオに用いる。
業界動向としては、NVIDIAのBlackwell Ultraと後継のRubinロードマップが推論性能とHBM4メモリを重視し、AMDのMI350シリーズは3nmプロセスと288GBのHBM3Eで大規模推論を狙い、IntelはGaudi 3でコスト効率の高い推論に注力しつつCore UltraでエッジAI PCを推進している。一体型システムのベンダーにとって、これは2025年から2026年の選定期間において、中高価格帯モデルは大容量HBMの選択肢を優先でき、中低価格帯やデスクトップ型は低消費電力NPUプラットフォームに寄せることを意味する。1つ注意点がある。メモリ容量は3D画像モデルが動くかどうかに演算数値以上に影響するため、調達は対象モデルの実測メモリ使用量に基づくべきである。
3. スマート医療のどの工程で実際に使われるか
三次病院の画像診断部門で1日の読影量が多く、救急夜勤の人員が薄いとする。一体型機は読影室に置かれ、肺結節と骨折を優先して処理し、陽性疑いの症例を待ち行列の先頭へ回す。このシナリオは1症例あたりの推論遅延とDICOM統合の安定性への要求が最も高い。県域医療共同体の一次診療所に専任の画像診断医がいないとする。装置は胸部X線の一次スクリーニングと眼底スクリーニングを担い、疑わしい症例を上位病院へアップロードしてレビューを受ける。こうしたシナリオは装置の大きさ、騒音、停電後の復帰をより重視し、演算要件は中程度で済む。
さらに、デジタルスライドスキャナがWSI大画像を生成する第三者病理診断センターを想定する。一体型機はがん細胞領域の一次スクリーニングを行うが、ここでのボトルネックはストレージ帯域とGPUメモリ容量である。1枚のスライドがGB級に達しやすく、NVMeソリッドステートアレイと大容量メモリのアクセラレータカードを組み合わせる必要がある。内分泌科の眼底カメラと連携する健康診断センターというシナリオもある。装置は取得インターフェースでカメラに直接接続し、その場でレポートを印刷する。こうした導入はインターフェース数と電磁両立性に敏感である。
4. 導入と選定で見るべき重要な指標
よくある最初の質問は、メモリとGPUメモリをどう見積もるかである。経験則として、GPUメモリ容量は少なくとも対象モデルの重みの1.5倍に単一症例の入力テンソルを加えた量をカバーすべきである。3D画像モデルではカードあたり数十GBのGPUメモリが望ましく、システムメモリはGPUメモリの1.5~2倍以上として、データ移動がボトルネックになるのを避ける。
第2はストレージと読み書き帯域である。生画像データ、推論の中間結果、レポートのアーカイブはいずれもローカルに保存されるため、システムディスクはNVMe SSD、データディスクはRAID保護とし、シーケンシャル読み書き帯域が1症例の読み込み時間の予算に合う必要がある。
第3はインターフェースとプロトコルの互換性である。装置はDICOM C-STOREとC-FIND、さらにHL7のインターフェースを提供する必要がある。映像取得側ではSDI、HDMI、Camera Linkが一般的で、超音波や内視鏡装置では独自の取得プロトコルが関わる場合もある。選定では仕様書だけを見るのではなく、使用中のPACSに対する結合試運転のチェックリストをベンダーに求めるべきである。
第4は電気安全と環境である。医療機器はIEC 60601-1の医用電気安全とIEC 60601-1-2の電磁両立性の要件を満たす必要があり、診察室への設置では装置の騒音と冷却気流の経路も考慮する。デスクトップ型は低騒音にとどめることが望ましく、ラック型は機器室の吸気温度上限を確認する必要がある。
第5は導入サイクルと検証手順である。通常は、現地調査、PACS統合の試運転、後方視データによる検証、臨床試用という4段階で進む。後方視検証の段階では、病院の過去症例を流して感度と特異度を確認し、自院の装置と撮像パラメータでモデルがどう振る舞うかを確かめる必要があり、この段階は省略できない。
コスト構成では、アクセラレータカードとGPUメモリが単価の大部分を占め、次いでストレージと医療用ディスプレイであり、ソフトウェアライセンスと統合サービスは別建てで計上する。調達では3年間の運用保守とモデル更新費用を評価に含めるべきである。
5. この一体型システムが適するシナリオと適さないシナリオ
適するシナリオは、画像診断部門や健康診断センターでの単一疾患または少数疾患のスクリーニング、一次医療機関でのフロントエンドスクリーニングと遠隔レビュー、病理センターでのWSI一次スクリーニング、超音波や内視鏡のリアルタイム支援提示である。これらのシナリオに共通するのは、タスクの境界が明確で、モデルが比較的固定され、単一症例のデータを丸ごと読み込めることである。
適さないシナリオは、異なるモダリティの多種多様な大規模モデルを頻繁に切り替える必要がある研究プラットフォームで、一体型機ではなく集中型のGPUクラスタが適する場合。撮像プロトコルのばらつきが大きく入力画質が不安定な一次拠点で、モデルの汎化性が低下しデータ品質管理を優先すべき場合。ミリ秒級のリアルタイム性を要する術中ナビゲーションで、通常の一体型機の推論チェーンでは速度が足りず専用のリアルタイムプラットフォームが必要な場合である。さらに、金属アーチファクトが強く超低線量でノイズの多いCTでは、モデル性能を別途評価する必要があり、ベンダーの公称指標をそのまま適用することはできない。
ERP時代から数十年かけて築かれ、120万社の顧客に数千万台の端末を展開してきた産業経験が示すのは1つのことである。医療AIハードウェアの成否は演算ピークではなく、臨床ワークフローへの適合度と長期的な安定稼働にかかっていることが多い。選定では、モデルの実測、プロトコルの試運転、安全コンプライアンスという3つを着実に行うことが、新しいアーキテクチャを追うよりも実用的である。