NVIDIA、3D CT画像の解析と思考プロセス生成に対応した視覚言語モデル「NV-Reason-CT」を発表

要点

• NVIDIAは、3D CT画像の解析と放射線科医の思考プロセス再現に特化した視覚言語モデル「NV-Reason-CT」を発表した。

• 独自の3D Vision Transformerと「Qwen3.5-4B」を統合し、立体構造を維持したまま画像を処理する。

• 診断結果だけでなく推論の過程を出力し、胸部や腹部の構造化レポート作成や複数ターンの対話に対応する。

• 医療画像ベンチマーク「CT-RATE」で最高水準のスコアを達成し、米国立衛生研究所（NIH）の医師からも妥当性が確認された。

• 医療機器ではなく、用途に応じた追加学習が可能なオープンな研究開発用基盤モデルとして提供される。

• 米NVIDIAは2026年9月23日、3次元のコンピュータ断層撮影（CT）スキャン画像の解析に特化したオープンな視覚言語モデル（VLM、画像とテキストを同時に扱うAI）「NV-Reason-CT」を発表した。3D画像を直接読み解く専用エンコーダーと言語モデルを統合し、放射線科医の段階的な思考プロセスを模倣して診断レポートや推論を生成できるのが特徴だ。

従来の2D手法における課題と立体解析の必要性

医療AI分野では胸部X線や2Dスキャン向けの技術が進歩してきたが、情報密度が高い3D CTへの対応は遅れていたという。

腹部などのCT検査では1回で300〜600枚の軸位断面スライス（輪切り画像）が生成され、3次元空間に解剖学的情報が広がる。しかし一般的なVLMは画像を2次元として扱うため、スライスを個別に処理すると病変の立体的な広がりや連続性が失われてしまう。また、従来のモデルは異常を検出しても診断名を示すだけで理由を説明せず、多段階の対話も難しいため、臨床現場で医師が結果を検証しにくいという課題があった。

3D ViTとQwen3.5-4Bによる立体処理と推論の統合

NV-Reason-CTは、立体データをそのまま扱えるフル3D Vision Transformer（ViT、画像をパッチ単位で処理する認識モデル）エンコーダーを採用した。3Dボリューム全体を立体入力として直接処理することで、断面間の連続性を損なわずに病変や臓器の構造を包括的に把握できる。

言語モデルには「Qwen3.5-4B」を組み合わせており、放射線科医の体系的な画像確認手順を模倣した「思考の連鎖（Chain-of-Thought）」を出力するよう訓練されている。AIが下した判断の根拠を人間がステップごとに検証でき、透明性を高められるとしている。

構造化レポートの作成と反復的な対話への対応

同モデルは、胸部や腹部を対象とした詳細な構造化診断レポートを出力できる。開発にあたっては胸部の30項目にわたるCTオントロジー（疾患や部位の体系的定義）などが整備された。

さらに、医師との複数回にわたる対話（マルチターン対話）にも対応している。放射線科医が所見をもとに鑑別診断を見直すといった反復的な読影プロセスを支援する。この手法は先行する胸部X線向けモデル「NV-Reason-CXR」を発展させたものだ。同モデルは北米放射線学会（RSNA 2026）採択の研究で、診断精度を維持しつつ読影時間を短縮できることが実証されている。

ベンチマークで最高性能を記録、NIH医師も評価

性能面では、3D CT画像の代表的なベンチマーク「CT-RATE」において、Macro-F1で0.614、Macro-AUROCで0.871を達成した。従来の3D対照学習モデルや2D/3Dを組み合わせたベースラインを上回り、最高水準（SOTA）を記録したという。

また、米国立衛生研究所（NIH）の放射線科医による検証でも、生成されたレポートや思考プロセスの臨床的妥当性が確認された。段階的な思考の可視化が信頼性向上につながると評価されている。

オープンな研究開発基盤としての位置づけ

NVIDIAは、NV-Reason-CTを自動で診断を完結させる医療機器ではなく、オープンな研究開発用基盤モデルと位置づけている。研究者や開発者が専門用途に合わせて追加学習（事後トレーニング）を行い、特化型アプリケーションを構築することを想定している。また、セグメンテーション（特定領域の切り出し）や合成データ生成を担う同社の医療AIモデル群との連携も可能だとしている。