ナレッジセンター
目次

オンサイト推論に向けた医用画像AI診断ハードウェアプラットフォーム

医療AI画像診断ハードウェアプラットフォームは、本質的に深層学習の推論をCT、MR、DR、超音波といった撮影装置の隣、さらには内部へと移し、すべての生画像をクラウドに戻すのではなく、病変の検出、セグメンテーション、定量化をローカルで行えるようにするものである。この3年で、この分野はサーバーにGPUを積み増す方式から、専用推論カード、エッジボックス、オンデバイスNPUを組み合わせるハイブリッド構成へと急速に移行した。その背景には、推論コスト、データコンプライアンス、応答遅延という3つの計算がある。

1. 中核概念と技術原理

医用画像AIの推論は、一般的な大規模モデルの推論とは根本的に異なる。薄スライスの胸部CTには300から500枚の画像が含まれることも珍しくなく、1回の推論で肺結節の検出、セグメンテーション、良性悪性の分類を完了しなければならず、メモリ占有量が大きく、同時リクエストが密集する。ハードウェアプラットフォームは通常3つの部分からなる。畳み込みやTransformerの演算子を実行する推論アクセラレータカード、特徴マップを保持する広帯域メモリ、DICOMのデコード、ウィンドウ幅とウィンドウレベル正規化、画像の位置合わせを行う前処理ユニットである。

現在の主流アクセラレータカードは2つの道筋に分かれる。一つは汎用GPUの道で、NVIDIA Blackwell Ultra(B300)はHBM3eの容量を拡大し推論スループットを重視し、AMD Instinct MI350シリーズはCDNA 4アーキテクチャに基づき大規模モデルの学習と推論のエネルギー効率を重視し、IntelはGaudi 3と後継のFalcon Shoresで参入する。もう一つは専用エッジの道で、NVIDIA Jetson ThorやIntelのエッジAI Boxが低消費電力シーンを対象とし、NPUの演算性能は40 TOPSから80 TOPSへと引き上げられ、QualcommやMediaTekのオンデバイスチップも同じ方向に進んでいる。

2. 主流製品とソリューションの比較

展開形態で見ると、医用画像AIハードウェアは3つの類型に分かれる。

第一は院内の集中推論サーバーで、基幹病院のPACS後処理に適し、1台に複数の推論カードを搭載して数十台の読影ワークステーションからの同時利用に対応する。利点は演算を集約でき運用を集中できることで、欠点は初期投資が大きく、機械室の電力と冷却への要求が高いことである。

第二は診療科レベルのエッジ推論ボックスで、CT室や超音波部門に置き、装置の映像出力やDICOMストリームに直接接続し、結果をワークステーションに書き戻す。遅延は通常200ミリ秒以内で、救急の脳卒中や骨折スクリーニングのように時間に厳しいシーンに適する。消費電力は一般に100ワット未満に抑えられ、専用の機械室を必要としない。

第三は組み込み型の推論モジュールである。CTやDRのメーカーが推論ボードを再構成ワークステーションに統合し、AIを装置のオプションとして提供する。利点は画像が装置外に出ずコンプライアンス上の負担が最小になることで、欠点はアップグレードの柔軟性が低く、演算性能が装置の寿命期間にわたって固定されることである。

選定ではTOPSの数値だけで判断してはならない。医用画像の推論はメモリ帯域とINT8またはFP16の混合精度対応に依存する度合いが大きく、さらにDICOMやHL7のインターフェースとの互換性、医療機器ソフトウェアの登録要件を満たすツールチェーンをベンダーが提供できるかも確認すべきである。

3. スマート医療AIハードウェアの典型的な応用シーン

市立病院の画像診断部門が1日に400件のCT検査を扱い、その3分の1が結節スクリーニングだとする。エッジ推論ボックスを導入すると、技師が体位を決め終える前に結節の検出と前回比較が完了し、レポート作成の医師はワークステーションを開いた時点で注記された病変と体積変化の曲線を直接確認できる。

12の町村の衛生院がDR装置しか持たない県域医療共同体を想定する。地域画像診断センターが集中推論サーバーを導入し、町村で撮影された胸部X線をアップロードして結核、気胸、骨折を自動でスクリーニングし、陽性例を優先して県病院の医師が読影する。ここでのハードウェア要件は、低消費電力、広い温度域、町村の機械室のラックに収まることである。

超音波はより特殊なケースである。超音波は動画のストリームであり、AIは甲状腺結節や乳腺病変をリアルタイムに注記しなければならず、遅延への感度が極めて高い。こうしたシーンはオンデバイスNPUの設計により適しており、量子化したモデルを装置内蔵の演算ユニットで実行する。

4. 選定基準と展開の推奨事項

第一に、カードを選ぶ前に同時処理数を計算すること。ピーク時間帯に推論が必要な画像ストリームの本数を数え、ストリーム当たりの推論時間から必要な演算性能を導き、30パーセントの余裕を残す。

第二に、演算性能よりもメモリ容量が重要であること。3次元画像のシリーズやセグメンテーションのタスクは2次元画像よりもはるかに多くのメモリを消費するため、1枚のカードは少なくとも48GBを備えるべきである。

第三に、データインターフェースのコンプライアンスに注意すること。プラットフォームはDICOM TLSの暗号化伝送に対応し、推論ログを生画像とは別に保存して、データを院外に出さないという要件を満たす必要がある。

第四に、冷却と電源で手を抜かないこと。診療科の環境に置かれるエッジボックスは精密空調を備えないことが多く、広温度域の産業グレード製品を選ぶべきであり、省エネよりも電力の冗長性が重要になる。

第五に、ソフトウェアエコシステムが導入の速さを決めること。ONNX、TensorRT、OpenVINOといった主要な推論フレームワークに対応するプラットフォームを優先し、モデル変換のツールチェーンが成熟したソリューションは適合の手間を大きく減らす。

5. 技術動向と展望

2026年のNVIDIA Rubinプラットフォームの量産はカード当たりの推論密度をさらに高め、HBM4による帯域の向上は3次元画像のセグメンテーションに直接恩恵をもたらす。AMD MI400やIntel Falcon Shoresの競争は、推論カードのTOPS当たりのコストを押し下げ続ける。

エッジ側の変化にはより注目すべきである。イベントドリブン型ビジョン、ミリ波、ニューロモルフィックコンピューティングを融合したAIセンサーは、まず画像を撮って後で解析するという枠組みを、知覚そのものが解析である形へと変えつつある。インターベンショナルナビゲーションやリアルタイムの内視鏡検出といったシーンでは、低遅延・低消費電力のセンシングハードウェアが従来の撮影の連鎖を迂回し、構造化された結果を直接出力する可能性がある。

病院やベンダーにとって、ハードウェアプラットフォームのライフサイクル管理が新たな課題になる。推論カードの世代交代はCTやMRのシステムよりもはるかに速く、10年に及ぶ装置のライフサイクルの中でAI能力の更新を続けるには、モジュール設計と標準化されたインターフェースを備えにしておく必要がある。業界にはすでに15以上の業界で120社を超える顧客に対するエッジAI導入の経験があり、医用画像はそのなかでも最も速く拡大している分野の一つである。

分野: AIハードウェア百科