「AIは医師を置き換えるのか」。この問いは、ここ数年で何度も投げかけられてきました。

講演でも記事でも、答えはたいてい二択で示されます。「置き換わる」か「置き換わらない」か。そして多くの場合、根拠は印象で語られます。AIが医師国家試験で高得点を取った、という話が出てくる。逆に、医療は人間の仕事だから代替できない、という話も出てくる。

筆者はどちらの答えも、問いの立て方が雑だと感じています。

この記事では、印象ではなく数字でこの問いに向き合います。使うのは2026年に出た3本の論文です。それぞれが違う層の限界を測っています。

層 問い 用いる論文
エビデンスの層 そもそも、どれだけ検証されているのか Nature Medicine 2026（システマティックレビュー）
性能の層 実際、どこまで当たるのか Radiology 2026（マンモグラフィAI）
信頼の層 患者は、AIの判定を受け入れるのか npj Digital Medicine 2026（ランダム化実験）

先に結論を書きます。「置き換えられるか」は、まだ問える段階にありません。 問うべきなのは「医師のどの業務を、どの程度安全に支援できるのか」のほうです。

第1層：エビデンス——4,609件の研究のうち、前向きRCTは19件

2026年3月、Nature Medicineに大規模なシステマティックレビューが載りました。臨床医学における大規模言語モデル（LLM）の研究を、網羅的に集めて質を評価したものです。

対象期間は2022年1月1日から2025年9月6日。PubMed 5,633件、Embase 8,666件、Scopus 9,315件を検索し、重複を除いた12,894件をスクリーニングして、4,609件の臨床LLM研究を抽出しています。

4,609件を約3年8か月で割ると、1日あたり3.2本。ChatGPTの公開以降、この分野の論文が爆発的に増えたことが数字で示されています。

問題は、その中身です。

項目 件数
抽出された臨床LLM研究 4,609件
うち実患者データを使ったもの 1,048件
うち前向きランダム化比較試験 19件
シミュレーション課題 1,857件
試験形式の課題 1,704件

4,609件のうち、実際の患者データを使ったものは1,048件。そのうち前向きランダム化比較試験は、わずか19件です。

残りの大半は、仮想症例に答えさせたもの（1,857件）か、医師国家試験のような問題を解かせたもの（1,704件）でした。さらに、サンプルサイズが30未満の研究が、全体の少なくとも25%を占めています。

新しい薬が世に出るまでに、どれだけの前向き試験が必要かを考えれば、19件という数字の意味は分かりやすいと思います。論文の数は多い。しかし、診療を変える根拠となる水準の研究は、まだほとんどありません。

人間と直接比べた1,046件——勝ったのは33.0%

このレビューがもうひとつ示しているのが、人間との直接比較の結果です。

比較が可能だった1,046件（全体の22.7%）のうち、

  • LLMが人間を上回った：33.0%
  • 人間がLLMを上回った：64.5%

つまり、3回に1回しか勝っていません。

さらに重要なのは、どんな相手と、どんな課題で比べたかによって結果が変わるという点です。著者らは、比較相手が指導医（attending physicians）の場合はLLMが上回る頻度が下がり、研修医（residents）が相手の場合は約30%多く上回る傾向がある、と報告しています。課題についても、試験形式や知識の検索といった人工的な課題ではLLMが比較的強く、実際の患者データを使った現実に近い課題では優位性が下がります。

「AIが医師国家試験で高得点を取った」という話は事実です。しかしそれは、LLMがいちばん得意な土俵での成績でした。1,046件の集計は、その土俵から離れるほど成績が落ちることを示しています。

なお、このレビュー自体にも限界があります。自動解析はタイトルと抄録に対して行われており、本文まで読み込んでいません。著者ら自身が、臨床的に重要な機微を取りこぼす可能性を認めています。AIを使ってAIの研究を評価した論文である以上、この自己言及的な限界は押さえておくべきだと思います。

第2層：性能——10年前から「予感」できる。ただしAUCは0.63-0.67

次は画像です。乳がん検診のマンモグラフィAIについて、2026年6月のRadiologyに興味深い論文が出ました。

スウェーデン4地域の検診データベースを使った後ろ向き研究です。2008年1月から2019年4月までのデータで、31,394人・88,963件の検査を解析しています。うち12,072人（38.5%）が乳がんと診断されました。検診時の年齢中央値は57.6歳でした。

この研究の面白いところは、リスク予測専用のAIではなく、「いまの画像にがんらしさがあるか」を見る通常の市販AI-CAD 3製品を使い、同じ人の過去の検診画像を時間軸でさかのぼって追った点です。

結果はこうです。特異度を90%に設定したとき、AIが拾い得たがんの割合。

診断の何年前か AI-1 AI-2 AI-3
10年前 12.7% 13.8% 17.0%
6年前 19.0% 19.6% 19.7%
4年前 24.2% 23.3% 25.2%

診断の10年前の時点で、すでに1割強のがんでAIスコアが上がっていた。 3製品とも同じ傾向でしたから、特定の製品に固有の現象ではありません。

これだけ聞くと、画期的に思えます。ここで立ち止まる必要があります。

数字を、もう一方から見る

判別の精度はAUC 0.63-0.67でした。 乳腺濃度だけを使った場合の0.57より高い（P<.001）とはいえ、AUCが0.63-0.67というのは中等度という評価になります。「集団としては層別化できるが、一人ひとりの当たり外れは大きい」という水準です。

そして特異度90%とは、がんでない人の10%が引っかかるという意味です。検診は規模が大きい。仮に10万人が受ければ、約1万人が「AIスコアが高い」側に分類されます。その中でがんが見つかるのは一部です。10年前に12.7%のがんを拾えることの代償として、これだけの偽陽性が出る。倍率ではなく実数で見ると、話が変わります。

さらに3つ、押さえておくべきことがあります。

スコアが上がっていた＝見逃していた、ではありません。 著者ら自身がこの点を明言しています。本当に見えていた病変なのか、将来がん化する組織の構造なのか、それとも撮影条件や乳腺の変化なのか——区別がついていません。

この研究は後ろ向きです。 実際にスコアの高い人へ追加検査を行ったとき、死亡率が下がるのか、進行がんが減るのか、不要な精査や不安がどれだけ増えるのか、費用はどうなるのか。どれも検証されていません。

個人のスコアは揺れます。 1回高かっただけで強い不安を与える運用は、望ましくないと考えられます。

⚠️ より一般的な注意——新しい検査技術に共通する話

この「AIによる早期アラート」は、現時点で日本の保険診療で行われているものではなく、標準化された運用も確立していません。こうした最新技術は、自由診療で提供される施設が出てくることがありますが、検査の質・結果の解釈・その後のフォローという管理体制が定まらないまま行われがちです。

言いかえると、「管理体制がはっきりしないなかで、自分が実験的な対象になるリスクを十分理解したうえでの選択」になります。

判断するときは、費用だけでなく「この結果を踏まえて、次に何をするのか」まで医療機関側に明確な答えがあるかを必ず確認してください。

第3層：信頼——患者はAIの「異常なし」を信じきれない

3本目は、性能でも研究の質でもなく、受け取る側の話です。2026年5月、npj Digital Medicineに発表されました。

米国在住の1型糖尿病の成人248名を対象に、ランダム化ビネット実験（仮想の場面を提示して選択を尋ねる実験）が行われました。かかりつけ医で年1回の糖尿病網膜症の検査を受ける場面で、眼科専門医への紹介か、自律型AIによる検査かを選ばせています。

条件は2×2。AI検査の自己負担が「なし」か「50ドル」か、そして負担を肩代わりするのが「保険会社」か「AI開発企業」か。

結果は2つに分かれます。

ひとつ目。お金が選択を大きく動かしました。

自己負担がなければ**81%がAIを選び、50ドルの負担があると43%**まで下がりました（p<0.001）。肩代わりする主体が保険会社かAI企業かは、選択に影響しませんでした。

興味深いのは、無料の場合はAIの有効性の評価そのものも高くなったことです（平均3.67 対 3.24、p=0.02）。性能が変わったわけではないのに、無料だと「効きそうだ」と感じる。お金と信頼が分かちがたく結びついていることを示しています。

ふたつ目。これが本題です。

AIを選んだ人は、専門医を選んだ人に比べて、結果が出たあとに別の意見を求めたがる度合いが明確に高かったのです。

結果 AIを選んだ人 専門医を選んだ人
異常あり 6.69 2.41
異常なし 3.43 2.47

（再確認を希望する度合いのスコア。いずれもp<0.001）

注目すべきは下の段です。AIが「異常なし」と言った場合でも、患者は人間による再確認を求めました。 逆に、最初から専門医を選んだ人は、AIによる再確認をほとんど望みませんでした。

「医師の大丈夫」は安心できるが、「AIの大丈夫」は不安が残る。 この非対称な不信が、実験として測定されたわけです。

ここには医療経済上の含意もあります。AIで検査を安くしても、患者が結局は専門医に確認しに行くのなら、トータルのコストは減りません。AIの性能を上げるだけでは足りず、信頼をどう形成するかという問題が残ります。

ただし、この研究の読み方には注意が要ります。選好を尋ねた実験であって、実際の受診行動を追跡したものではありません。 人は「そうする」と言ったとおりに行動するとは限りません。米国・1型糖尿病・248名という限定された条件でもあります。日本は自己負担が低く専門医へのアクセスも比較的容易ですから、「AIのほうが安いから選ぶ」という動機自体が働きにくい。そのまま当てはめることはできません。

3つを重ねると、何が見えるか

整理します。

  • エビデンスの層：論文は4,609件あるが、前向きRCTは19件。人間との比較で勝ったのは33.0%
  • 性能の層：10年前から予感はできる。ただしAUC 0.63-0.67、特異度90%＝偽陽性10%
  • 信頼の層：無料なら81%が選ぶが、AIの「異常なし」では安心しきれない

この3つが指しているのは、同じ方向です。現時点のAIは、「置き換える」という言葉が想定する水準にはいません。

一方で、使えないという結論にもなりません。文書の作成、情報の整理、患者向けの説明資料づくり、教育、研究の支援——こうした領域では、すでに実用の段階にあります。筆者自身も部分的に使っています。

線が引かれるのはここです。診断や治療方針の最終決定を、単独で委ねる段階ではない。 それが2026年時点の現在地だと考えています。

問いを立て直すなら、こうなります。

AIは医師を置き換えるのか、ではなく、 医師のどの業務を、どの程度安全に支援できるのか。

患者としてAIをどう使うか——仕分けの考え方

ここからは、診療を受ける側の話です。外来でも「調べてきました」と言われることが増えました。それ自体は、まったく悪いことではないと思っています。

役に立つのは、次のような使い方です。

AIに聞くと役に立つこと 主治医にしか頼めないこと
病気の一般的な知識 自分個人の見通し
検査値や統計の意味 治療や薬の調整
専門用語の解説 検査・処置の手配
外来で聞きたいことの下書き 見通しに合わせた準備

ひとつの言い方をするなら、AIは予測はできても、予測を変えるために動くことはできません。予測はAI、準備は主治医。この分け方が、いちばん実感に近いと思います。

AIの回答の末尾によくある「主治医の先生とよくご相談ください」という一文は、責任逃れのように見えるかもしれません。筆者はバトンだと受け取っています。そこから先は、目の前の人のことを知っている人間の仕事です。

そして、調べてきたことを外来で見せていただいて構いません。叱られるのではないかと心配される方がいますが、むしろ「何を気にしているか」が分かるので、こちらとしては話が早くなります。

おわりに

AIをめぐる議論は、期待と警戒のあいだで振れがちです。どちらの立場にも、それぞれの理由があります。

ただ、振れ幅の大きい話ほど、数字を見ておくと立ち位置が定まります。4,609件の論文のうち前向きRCTは19件。人間との比較で勝ったのは33.0%。AUCは0.63-0.67。AIの「異常なし」では患者は安心しきれない。

これらは、AIを否定する数字ではありません。いまどこにいるのかを示す数字です。

現在地が分かれば、過大評価も過小評価も避けられます。医療でAIをどう扱うかを考えるときに、この記事がその材料のひとつになればと思います。

参考情報源

※3本とも英文ですが、いずれも抄録に主要な数値が記載されています。本記事の数値は、すべて原著の抄録および本文から直接確認したものです。

あわせて読みたい

この記事は一般的な医学情報の提供を目的としており、個別の診断・治療の代替となるものではありません。特定の製品・サービスの推奨や否定を意図したものでもありません。検査や治療の判断については、必ず主治医にご相談ください。

筆者：田舎の県庁所在地に住む医師。外科学会専門医・乳癌学会認定医。現在は乳がんの検診・診断と緩和ケアを専門に担当。医師になって20年。