細隙灯写真ベース
Wuらのモデル：約38,000眼の細隙灯写真で学習。白内障の検出と重症度分類で95%以上の感度・特異度を達成。核硬度3段階の判定でも約80%の感度・特異度を報告。
Liら（Visionome）：細隙灯写真から白内障を含む前眼部疾患を診断。精度79.47〜99.22%で、臨床経験1年の眼科医を上回る性能を示した。
白内障手術のためのデジタル介入ツール
ひとめでわかるポイント
Section titled “ひとめでわかるポイント”1. 白内障手術のためのデジタル介入ツールとは
Section titled “1. 白内障手術のためのデジタル介入ツールとは”白内障は水晶体の一部または全体が混濁する疾患の総称である。世界で推定5,260万人が中等度〜重度の視力障害を抱えており、治療可能な失明の主要原因とされる。白内障手術は最も費用対効果の高い医療介入の一つであるが、低・中所得国では限られた資源と長い待ち時間が治療の障壁となっている。
近年、人工知能（AI）を中心とするデジタル技術が白内障ケアの複数の段階に応用されるようになった。AI技術の適用領域は主に以下の3つに大別される。
- 診断支援：細隙灯写真や眼底写真を用いた白内障の自動検出・重症度分類
- 眼内レンズ度数計算：機械学習アルゴリズムによる術後屈折結果の高精度予測
- 手術支援：術中フェーズ認識、合併症リスク予測、VRベースのトレーニング
高齢化に伴い白内障手術の需要は増大する一方、眼科医療の供給は追いついていない。AI技術はこの需給ギャップを埋める手段として注目されている。
Q なぜ白内障ケアにAIが必要とされるのか？
A
高齢者人口の増加で白内障手術の需要が急増する一方、眼科医療の供給は十分に拡大していない。特に低・中所得国や農村部では未診断の白内障が多く、AIを活用した遠隔診断やスクリーニングにより、医療アクセスの格差を縮小できる可能性がある。
2. 白内障の概要
Section titled “2. 白内障の概要”白内障の疫学と分類
Section titled “白内障の疫学と分類”白内障は加齢が主原因であり、初期混濁を含めた有病率は50歳代で約45%、60歳代で75%、70歳代で85%、80歳以上で100%に達する。主な混濁病型は皮質・核・後囊下の3主病型であり、日本人では皮質白内障が最も多い。
白内障の重症度分類にはLOCS III（Lens Opacities Classification System III）やWHO分類、Emery-Little分類などが用いられる。Emery-Little分類は核部の色調を5段階で評価し、手術難易度の推定に広く活用されている。
主な自覚症状
Section titled “主な自覚症状”白内障の初期は自覚症状がない場合が多い。進行に伴い以下の症状が出現する。
- 視力低下（霧視）：混濁が中央部に及ぶと光の進入が妨げられる
- 羞明（まぶしさ）：混濁による光散乱で生じる
- グレア障害：対向車のヘッドライトや強い太陽光下で見えにくくなる
- 単眼複視：水晶体内の不均一な屈折率変化が原因である
- 屈折異常：核白内障の進行で近視化が生じることがある
現在の標準的治療
Section titled “現在の標準的治療”白内障を透明化させる薬物療法は存在しない。視機能が低下した症例では超音波乳化吸引術（PEA）および眼内レンズ（IOL）挿入術が標準治療となる。手術機器の進歩により2mm前後の小切開からの手術が可能であり、術後早期の社会復帰が見込まれる。近年、フェムトセカンドレーザーを用いた白内障手術も臨床で使用されている。
3. 診断のためのデジタルツール
Section titled “3. 診断のためのデジタルツール”白内障は現在、眼科医が細隙灯顕微鏡を用いて臨床的に診断しており、対面での診察が必須である。しかし、発展途上国や農村部ではアクセスが困難なため、未診断の白内障が大きな問題となっている。
AI支援型の遠隔診断プラットフォームは、これらのアクセス障壁を低減し得る。特に小児白内障では回復不能な弱視を防ぐため迅速な診断が極めて重要である。
深層学習による白内障の自動検出
Section titled “深層学習による白内障の自動検出”眼底写真ベース
Xuらのモデル：眼底写真を入力としたCNNアンサンブルアルゴリズム（AlexNet＋VisualDN）。白内障の検出・分類で86.2%の精度を達成。
ResNetベースモデル（Wuら）：白内障水晶体・眼内レンズ眼・正常眼の3段階識別でAUC 0.99超を報告。
Wuらは、(1)スマートフォンによる自己モニタリング、(2)前眼部写真によるAI診断、(3)クラウドプラットフォームを利用した眼科専門医の遠隔診療という3段階のモデルを提唱している。この仕組みにより、眼科医1人がカバーする人口を10倍に増やせるとしている。眼科でのAI診断は、2016年に糖尿病網膜症のスクリーニング論文が発表されて以降、眼底写真や後眼部OCTを用いた網膜疾患・緑内障で先行してきたが、近年は前眼部の細隙灯写真への応用が進んでいる。
Q スマートフォンで白内障の診断はできるのか？
A
研究段階ではあるが、スマートフォンで撮影した前眼部画像をAIが解析し、白内障の有無や重症度を判定するシステムが提案されている。臨床応用にはさらなる検証が必要であるが、遠隔地でのスクリーニングに役立つ可能性がある。
4. 眼内レンズ度数計算のためのデジタルツール
Section titled “4. 眼内レンズ度数計算のためのデジタルツール”白内障手術では正確な術後屈折結果が求められる。従来の眼内レンズ計算式では、屈折矯正手術後の眼や極端な生体計測値を持つ患者で予測精度が不十分であった。AIを活用した新世代の計算式がこの課題に取り組んでいる。
従来式のAI改良
Section titled “従来式のAI改良”- Sramkaら：SVM回帰モデルと多層ニューラルネットワークアンサンブルモデル（MLNN-EM）を評価し、いずれも従来の臨床的手法を上回る予測精度を報告
- Ladasら：既存の眼内レンズ計算式（SRK、Holladay I、Ladas Super formula）に教師あり学習アルゴリズム（SVR、XGB、ANN）を組み合わせて予測を精緻化
AIベースの新世代眼内レンズ計算式
Section titled “AIベースの新世代眼内レンズ計算式”| 計算式 | 特徴 | 備考 |
|---|---|---|
| Kane式 | 理論＋AI回帰分析 | 比較試験で一貫してトップ3の性能 |
| Hill-RBF | ANNベースのパターン認識 | 大規模屈折データセットを分析 |
| PEARL-DGS | ML＋出力の線形化 | 極端な生体計測値に調整 |
Kane式は理論に基づくモデルに回帰分析とAIコンポーネントを組み合わせたものである。比較試験においてBarrett Universal II、Haigis、Olsenなどの第3世代計算式を上回り、新世代計算式の中でも一貫してトップ3の性能を維持している。眼軸長の両極端な症例でも妥当な結果を示す。
**Hill-RBF（radial basis function）**は人工ニューラルネットワークベースの眼内レンズ計算機であり、膨大な屈折結果データセットをパターン認識とデータ補間で分析する。
PEARL-DGS式は機械学習モデリングと出力の線形化を用い、有効レンズ位置の予測と極端な生体計測値への調整を行う。
Karmonaはデータ駆動型の眼内レンズ度数計算アプローチであり、K近傍法、ANN、SVM、ランダムフォレストなど複数の機械学習モデルを用いて度数を予測する。
Q 眼内レンズ計算にAIを使うメリットは何か？
A
従来の眼内レンズ計算式は特定の理論モデルに基づくため、屈折矯正手術後の眼や極端に長い・短い眼軸長の症例で誤差が大きくなることがあった。AIベースの計算式は大規模データからパターンを学習するため、こうした特殊な症例でも高い予測精度を維持できる。
5. 手術のためのデジタルツール
Section titled “5. 手術のためのデジタルツール”AIは白内障手術のトレーニング、術中意思決定、術後分析にも応用されている。
術中フェーズの自動認識
Section titled “術中フェーズの自動認識”白内障手術は複数のフェーズ（前囊切開、水晶体核処理、皮質吸引、眼内レンズ挿入など）で構成される。AIを用いた手術動画の自動解析により、各フェーズの識別が可能となる。
- Yuら：ビデオ画像単独よりも、手術器具のラベル情報を組み合わせることで最高精度のフェーズ検出を達成
- Quellecら：リアルタイムの手術タスク認識が可能な自律型ビデオ分析システムを開発
フェーズの自動識別は、手術手技能力のフェーズ別評価やリアルタイムフィードバックの基盤となる。
術中合併症リスクの予測
Section titled “術中合併症リスクの予測”Lanzaらは73件のエラーを含む1,229件の白内障手術を解析し、術中合併症のリスク要因検出と総手術時間予測を行うAIモデルを構築した。
VRベースの手術トレーニング
Section titled “VRベースの手術トレーニング”**Eyesi（Haag-Streit社）**は市販の眼科シミュレーションベースのトレーニングシステムであり、バーチャルリアリティ（VR）とAIを連携させたインテリジェントな教育を提供する。実際の患者に接する前に学習者が手技能力を習得できる環境を構築している。
6. 課題と今後の展望
Section titled “6. 課題と今後の展望”AIの白内障ケアへの臨床導入が成功すれば、医療効率の向上・アクセス改善・コスト削減といった長期的な利益が期待される。特に低所得層においてその恩恵は大きい。
しかし、実用化に向けては以下の課題が存在する。
- 倫理的データ管理：患者データのセキュリティとプライバシーの確保
- 汎用性の検証：異なる人種・地域・機器間での性能の安定性
- 臨床的検証の不足：実世界でAIシステムの有効性を評価した臨床試験はわずかである
- バイアスの排除：学習データに偏りがあるとAIの判断に系統的な誤差が生じる
- ユーザーの受容性：医療者・患者双方のAIに対する信頼と理解の構築
現在までに臨床環境で信頼性が実証されたアルゴリズムはごく一部に限られる。AIシステムの有用性を確立するためには、さらなるランダム化比較試験が必要とされている。
Q AIが白内障の診断を行う日は近いのか？
A
研究レベルでは高い精度が報告されているが、臨床現場への本格導入にはまだ課題がある。異なる集団間での汎用性の確認、大規模臨床試験による有効性検証、倫理的データ管理の確立が不可欠であり、当面は眼科医の診断を補助するツールとしての活用が現実的である。