創部写真解析による切開部手術部位感染の早期検出に向けた深層学習の活用

ハイライト

• 創部写真から手術部位感染（Surgical Site Infections, SSIs）を高精度に検出する畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）の開発。
• 大規模な多施設・複数診療科の後ろ向き創部画像データセット（4,978枚）を用いてモデルを学習し、さらに大規模学術医療機関からの407枚（95例）による厳密な外部検証を実施。
• 内部評価で曲線下面積（Area Under the Curve, AUC）0.91、外部評価で0.82を示し、高い識別性能と臨床的有用性が確認された。
• 遠隔医療のワークフローに統合することで、自動トリアージと早期診断を支援し、術後SSI検出における遅延とばらつきの軽減が期待される。

研究背景

手術部位感染（Surgical Site Infections, SSIs）は、世界中で外科手術後の罹患率を高める重要な要因であり、患者の不快感、再入院、医療費の増大につながる。SSIsを迅速に検出することは有害転帰の抑制に不可欠であるが、術後早期退院や迅速回復プロトコールが普及した現代の診療環境では、臨床診断はしばしば退院後数日を経て行われる。この遅れは、外来フォローアップの困難さや創部評価への即時アクセスの制限によってさらに増幅される。遠隔医療における創部画像の遠隔モニタリングは、この診断ギャップを埋める有力な解決策となり得るが、医師による創部写真の目視判定は時間を要し、観察者間変動の影響を受けやすく、軽微な初期徴候を見逃す可能性がある。

人工知能（Artificial Intelligence, AI）と深層学習技術は、医療における画像認識タスクを大きく変革してきた。これらの技術を術後創部画像に応用することで、SSIを示唆する創部を自動的、迅速かつ信頼性高く同定でき、臨床判断を支援するとともに、より早期の介入を通じて患者予後の改善につながる可能性がある。

研究デザイン

本診断／予後研究は、写真からSSIを示唆する創部を同定する深層学習モデルを開発し、外部検証することを目的とした。研究対象には、複数の外科診療科にわたり既に収集され既存データベースに保存されていた後ろ向き創部画像が含まれ、モデル開発および内部評価に用いられた。大規模学術医療機関において複数診療科から前向きに収集された画像が、外部検証データセットを構成した。

画像は複数の医師により慎重にラベル付けされ、SSIを「示唆する」または「示唆しない」の二値分類が付与された。ラベルの妥当性を確保するため、臨床的コンセンサスが用いられた。深層学習モデルには、比較的小規模な医療画像データセットからの特徴抽出を強化するため、転移学習を組み合わせたInceptionV3ベースの畳み込みニューラルネットワークアーキテクチャが採用された。後ろ向きデータセットは、過学習を回避しモデル調整を最適化するため、学習用（70%）、検証用（15%）、内部テスト用（15%）に分割された。

モデル出力は、受信者操作特性曲線下面積（Area Under the Receiver Operating Characteristic Curve, AUC）、確率推定精度を評価するキャリブレーション曲線、ならびに臨床的純便益を判定するDecision Curve Analysisにより評価された。Grad-CAM（Gradient-weighted Class Activation Mapping）を用いて、モデルが創部画像のどの領域に注目したかを示すヒートマップを生成し、視覚的な解釈可能性を付与することで臨床導入を後押しした。

主要所見

CNNモデルは、専門医によりラベル付けされた4,978枚の創部画像で学習された。内部検証では、モデルはAUC 0.91（95%信頼区間［CI］0.88–0.93）を示し、感染を示唆する創部と示唆しない創部を優れた識別能で区別した。キャリブレーション解析では、予測確率が観測された転帰と良好に一致しており、臨床的リスク推定の信頼性が支持された。

95例の異なる患者から得られた407枚の画像を用いた外部検証でも、AUC 0.82（95%CI 0.75–0.90）と良好な性能が維持され、開発コホートを超えた一般化可能性が確認された。Decision Curve Analysisでは、さまざまな閾値確率において正味臨床便益が示され、日常的なレビューや症状誘発型レビューなどの代替戦略と比較して、さらなる臨床評価や介入を要する患者の選別を改善できる可能性が示唆された。

Grad-CAMによる可視化では、モデルの分類に最も強く影響した創部領域が高い信頼性で局在化され、通常は炎症、紅斑、または滲出を示す領域が強調された。これらはSSIの臨床所見と整合しており、この透明性は臨床医の信頼を高め、遠隔医療プラットフォームへの統合を支える。

専門家コメント

本研究は、AI画像解析技術を活用し、外来環境におけるSSIの迅速検出という重要な臨床課題に堅実に取り組んでいる。強みとしては、多診療科にわたる大規模画像データセット、厳密な外部検証、ならびにヒートマップ解釈を通じた説明可能性への配慮が挙げられる。性能指標は、本モデルが臨床判断を完全に置き換えるものではなく、意思決定支援ツールとしての可能性を示しており、これは医療分野におけるAI統合の現行ベストプラクティスとも整合する。

一方で、創部画像の取得条件に本来的な異質性があること、撮影品質や角度のばらつきが存在すること、さらに複数医師による評価が行われたとはいえ主観的ラベリングに由来する潜在的バイアスが限界として挙げられる。今後の研究では、前向き臨床導入、電子カルテとの統合、リアルタイム患者モニタリングシステム、費用対効果分析、ならびに地域病院や外来診療所を含む多様な医療環境におけるモデル性能の検討に焦点を当てるべきである。

現在の臨床ガイドラインは、術後創部の慎重なモニタリングを重視している。AIを用いた画像解析は、これらのプロトコールを補強し、個別化された患者ケア経路の構築に寄与し得る。このアプローチは、COVID-19パンデミックを契機に加速した外科フォローアップにおける遠隔医療の役割拡大とも一致している。

結論

CNNアーキテクチャを用いた深層学習モデルの開発と外部検証により、創部写真から切開部手術部位感染を自動検出するための有望な精度と臨床的有用性が示された。このようなAIツールを遠隔医療に実装することで、SSIの早期発見と管理を支援し、医師の負担を軽減し、診断遅延を最小化し、術後転帰の改善につながる可能性がある。本技術の外科医療提供改善における可能性を十分に引き出すためには、継続的な研究と臨床統合の取り組みが求められる。

資金提供と試験登録

資金源および臨床試験登録に関する情報は、原著論文では明示されていなかった。詳細は、引用された掲載論文を参照されたい。

参考文献

1. Bontekoning N, Huisman H, Segura Cabrera PJ, et al. Detecting Incisional Surgical Site Infections on Wound Images Through Deep Learning. JAMA Surg. 2026 Aug 26. PMID: 42647036.

2. Smith RL, Bohl JK, McElearney ST, et al. Wound Infection Following Elective Colorectal Resection: Is It Preventable? J Gastrointest Surg. 2004;8(5):517–523.

3. Mangram AJ, Horan TC, Pearson ML, Silver LC, Jarvis WR; The Hospital Infection Control Practices Advisory Committee. Guideline for Prevention of Surgical Site Infection, 1999. Infect Control Hosp Epidemiol. 1999;20(4):250-78.

4. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118.

5. Wang CJ, Huang YJ, Wang SH, et al. Artificial intelligence for detecting wound infections: a pilot study and systematic review. Int Wound J. 2022;19(2):326-338.