2026年、医療AIは「実証」から「実用」のフェーズへ本格的に移行しました。米国では生成AIが診察の会話を聞き取って自動でカルテを書く「アンビエントAI」が普及し、画像診断AIは累計1,400件超が当局に承認されています[5]。日本でも、内視鏡AI、AIによるカルテ下書きの実証、AI問診の広がり、そして2026年度の診療報酬改定が、医療現場の風景を静かに変え始めています[7][8]。
本稿では、「世界（主に米国）」と「日本」を比較する軸で、2026年5月末時点の医療AIのリアルを整理します。診断支援・記録（カルテ）・問診・創薬という4つの領域でいま何が起きているのか、世界に対して日本はどの位置にいるのか、そして見落とされがちな「AIの限界」と「誤診の責任は誰が負うのか」まで、脳神経内科医の視点で、医療従事者の方にも一般の方にもわかるように解説します。
インフォグラフィック ― 世界 vs 日本 早見表
この記事の要点を1枚にまとめたインフォグラフィックです。クリックで拡大表示できます。保存・共有にご活用ください。
解説動画（医知創造ラボ YouTube）
本記事の内容を動画でも解説しています。スライドと音声で要点を確認したい方はこちらをご覧ください。
▶ 動画でも解説しています
📊 動画を見る時間がない方へ — スライド資料をご用意しています
本動画で使用した全14枚のスライドを、Webでそのまま閲覧・PDFでダウンロードできます。
📖 スライドを閲覧（全14枚） 📄 PDFをダウンロード目次
関連記事・関連ツール
1. そもそも2026年の「医療AI」は何ができる？ ─ 4領域マップ
「医療AI」とひとことで言っても、その中身は多様です。2026年時点で実際に医療現場へ入り込んでいる活用は、大きく次の4つの領域に整理できます。
| 領域 | 何をするAIか | 現場での代表例 |
| ① 画像診断支援 | CT・MRI・内視鏡・病理・眼底などの画像から異常を検出・指摘 | 脳卒中のトリアージ、大腸・胃の内視鏡AI、肺結節検出 |
| ② 記録（カルテ） | 診察の会話を聞き取り、診療録の下書きを自動生成 | アンビエントAIスクライブ、退院時要約・診断書の原案作成 |
| ③ 問診・トリアージ | 来院前・待合で症状を聞き取り、関連する病名や受診科を提示 | AI問診（事前問診の電子カルテ連携）、症状検索エンジン |
| ④ 診断推論・創薬 | 病歴から鑑別診断を推論、または新薬候補の探索を加速 | 大規模言語モデル（LLM）による鑑別支援、創薬AI |
重要なのは、2026年の医療AIがあくまで医師の判断を補助する「支援ツール」として位置づけられている点です。最終的な診断や治療方針の決定は医師が行うのが大原則であり、この点は世界でも日本でも共通しています。以下、この4領域がいま「世界」と「日本」でどこまで来ているかを見ていきます。
2.【世界編】医療AIの最前線 ─ 米国で何が起きているか
2-1. 画像診断AIが「承認1,400件」の主役に
米国では、AI・機械学習を組み込んだ医療機器が2025年までに累計約1,451件、当局（FDA）に承認されたと報告されています。注目すべきはその内訳で、放射線・画像診断分野が約1,039件と全体の約8割を占めます[5]。脳卒中が疑われる頭部CTをAIが瞬時に解析し、専門医へ自動で通知して治療開始までの時間を短縮する仕組みは、すでに「標準的な道具」になりつつあります。
2-2. アンビエントAIスクライブ ─ 「カルテを書く時間」を消す
米国でこの1〜2年で一気に普及したのが、アンビエント（環境）AIスクライブです。診察室の会話をマイクで聞き取り、AIが背後で構造化された診療録を自動生成して電子カルテに流し込む技術で、Microsoft（Nuance DAX）やAbridgeといった企業が牽引しています。導入施設では記録にかかる時間が最大で約75%削減、医師の事務作業が1日あたり2〜3時間軽減したとの報告もあります。医師の燃え尽き対策としても注目され、2026年には「導入していて当たり前」の段階に入りつつあります。
💡 潮流の変化：米国の議論はいま「カルテを書いてくれる（write the note）」から「診察室で医師の思考を助けてくれる（help me think）」へと移っています。AIの役割が記録の自動化から、リアルタイムの意思決定支援へと一歩進んでいるのです。
2-3. 生成AIの「診断力」はどこまで来たか
診断推論そのものに生成AI（大規模言語モデル）を使う研究も急速に進んでいます。研究レベルでは、注目すべき結果が報告されています。
- 模擬患者を用いた全臨床ワークフローの比較研究では、LLMが救急フェロー医師を診断的な問いやマネジメントで上回ったと報告されました[2]。
- 稀少血液疾患158症例の研究では、最新のLLM（推論モデル）が候補10件以内に正解を含む精度（top-10）で70.3%に達し、経験の浅い医師の診断精度を有意に引き上げました[1]。
- 複数のAIを協調させたマルチモーダル診断フレームでは、消化器疾患で診断正答率97.8%という高い成績も報告されています[4]。
ただし、これらはあくまで研究環境での結果であり、実臨床での安全性とは分けて考える必要があります。その「限界」は第5章で詳しく扱います。
3.【日本編】医療現場のAIはどこまで来たか
3-1. 日本が世界をリードする「内視鏡AI」
「日本は医療AIで遅れている」とよく言われますが、内視鏡画像診断支援AIは日本が世界をリードできる分野です。国内企業のAIメディカルサービスは世界初の胃がん検出支援AIを開発し、2023年12月に内視鏡画像診断支援AIの製造販売承認を取得しました[9]。世界トップクラスの内視鏡医の症例数と画像データの蓄積という、日本ならではの強みが生きている領域です。
3-2. AIカルテ下書きの実証が始まった
医師の働き方改革が大きな課題となるなか、日本でもアンビエントAIに相当する取り組みが動き出しました。2026年1月、JCHO北海道病院などが、診察室の会話を起点に音声認識 → 生成AIによるカルテ下書き → 電子カルテ連携までを院内で一連に完結させる実証を開始しました。患者情報を外部に出さず院内オンプレミス環境でセキュアに処理する設計で、厚生労働省のモデル医療機関調査支援事業に採択されています[8]。個人情報保護を重視する日本らしいアプローチと言えます。
3-3. AI問診はすでに「現場の戦力」
4領域のなかで、日本で最も生活に近いところまで普及しているのがAI問診です。来院前や待合でスマホ・タブレットから症状を入力すると、AIが回答に応じて最適な追加質問を自動で選び、結果を電子カルテに連携します。導入病院では1問診あたり約3分の短縮や、外来の混雑緩和、看護師の配置見直しといった効果が報告されています[10]。診察の「入口」を効率化する道具として、すでに日常に溶け込みつつあります。
3-4. 2026年度診療報酬改定がAI導入を後押し
日本の医療を動かす最大のレバーが診療報酬です。2026年度（令和8年度）の診療報酬改定では「業務の効率化に資するICT・AI・IoT等の利活用の推進」が基本方針に明記されました[7]。大腸内視鏡のAI画像診断支援やロボット支援手術が評価対象となり、生成AIによる退院時要約・診断書原案・音声入力の導入が、医師事務作業補助者の配置基準の柔軟化など、制度上の評価に直結する設計へと動き始めています。AIの活用が「あれば便利」から「経営上のメリットがある」へと変わりつつあるのです。
📌 規制の整備も進行中：2025年には日本初のAI基本法である「AI推進法」が成立し、医療機器に該当するAIは引き続き薬機法のプログラム医療機器（SaMD）規制で審査されます。PMDA（医薬品医療機器総合機構）は2024年に審査体制を「プログラム医療機器審査部」へ拡充しました。
4. 世界 vs 日本 ─ 何が違い、日本はどこにいるのか
ここまでを比較表にまとめます。日本は「全領域で遅れている」のではなく、領域ごとに強み・弱みがはっきり分かれているのが実態です。
| 領域 | 世界（主に米国） | 日本 |
| 画像診断 | 承認件数で世界をリード（約8割が画像系） | 内視鏡AIで世界トップ級。CT/MRI領域は追う立場 |
| カルテ記録 | アンビエントAIが普及・実用段階 | 実証フェーズ。オンプレでの安全性重視 |
| 問診 | チャットボット型が中心 | 電子カルテ連携型AI問診が普及 |
| 制度・償還 | 2026年から保険償還を改善する方向 | 診療報酬改定で明確に後押し |
| 規制 | FDAが個別審査 | 薬機法SaMD＋AI推進法。基本法を整備 |
総じて日本は、「普及スピードでは米国に一歩譲るが、内視鏡AIという独自の強みを持ち、安全性・個人情報保護と制度設計を重視して着実に実装を進めている」という位置づけです。2026年は、その日本型の実装が診療報酬という追い風を受けて加速する転換点と言えます。
5. 医療AIの「限界」と向き合う ─ 誤診の責任は誰に？
華々しい成果の一方で、医療AIには無視できない限界があります。むしろ2026年は、限界を直視したうえでどう安全に使うかが問われる年です。
⚠️ 医療AIの主な限界
- ハルシネーション（幻覚）：事実でない情報を、もっともらしく自信満々に提示してしまう。生命に関わる医療では特に危険。
- ブラックボックス性：なぜその結論に至ったかを説明しづらく、検証が難しい。
- 過信のリスク：AIが偏った答えを出したとき、人がそれに引きずられる。
- バイアスと公平性：学習データの偏りが、特定の集団に不利な判断を生む恐れ。
- 責任の所在：AIの示唆で誤診が起きたとき、誰が責任を負うのかが未整理。
これは抽象的な心配ではなく、研究でも裏付けられています。前述の稀少疾患の研究では、AIは経験の浅い医師を助けた一方で、AIが偏った回答をすると医師の診断精度がむしろ低下したことが示されました[1]。また2026年のYale大学の研究では、救急の胸痛診療でAI（GPT-4o）が稀な致死的疾患を過剰に予測し、医師の実際の診療パターンから乖離して、過剰なトリアージや検査につながる恐れが報告されています[3]。「ベンチマークで医師を超えた」という話と、「実臨床で安全に使える」という話は、まだ別物なのです。
こうした課題を受けて、日本医師会のAIの臨床利用に関する検討委員会は2026年4月に答申を出し、AIの臨床的課題と生命倫理を整理しました[6]。そこで繰り返し強調されているのは、「最終的に決めるのは人間（医師）である」という原則と、責任の所在・公平性・透明性を明確にする必要性です。AIは医師を置き換えるのではなく、医師の判断を支える道具にとどまる──これが2026年時点の世界共通の到達点です。
6. これから数年で何が起きるか
2026年から先、医療AIは次の方向に進むと考えられます。
- 記録から意思決定支援へ：「カルテを書く」AIから「診察室で一緒に考える」AIへ。
- マルチモーダル化：画像・検査値・病歴を統合して推論するAIの実用化[4]。
- 制度との一体化：日本では診療報酬がAI実装の普及速度を左右する。
- 安全性・責任ルールの成熟：誤診時の責任や検証の枠組みづくりが本格化する。
大切なのは、技術の進歩に振り回されず、「AIに任せてよいこと」と「人間が決めるべきこと」を見極める目を、医療者も患者も持つことです。
🩺 まとめ
2026年、医療AIは世界でも日本でも「実用フェーズ」に入りました。米国はアンビエントAIと画像診断で普及をリードし、日本は内視鏡AIという強みと、安全性・制度設計を重視した着実な実装で追います。ただしAIはあくまで医師を補助する道具であり、ハルシネーションや責任の所在という限界とセットで考える必要があります。AIに関心のある方は、まず身近なAI問診から、その実力と限界に触れてみてはいかがでしょうか。
よくある質問（FAQ）
Q1. AIに診断してもらえる時代が来たのですか？
A. AIは診断を「支援」しますが、最終診断は医師が行います。2026年時点で、AIが単独で患者を診断して治療を決めることは、世界でも日本でも認められていません。
Q2. AIの診断は医師より正確なのですか？
A. 研究環境では医師を上回る結果も報告されていますが[2]、実臨床ではAIが稀な病気を過剰に疑うなどの偏りも示されています[3]。「ベンチマークで優秀」と「現場で安全」は別問題です。
Q3. 日本は医療AIで世界に遅れているのですか？
A. 領域によります。内視鏡AIでは日本が世界トップ級です[9]。一方でアンビエントAIのカルテ記録などは米国が先行し、日本は安全性を重視しながら実証を進めている段階です。
Q4. 「AIカルテ」とは何ですか？
A. 診察の会話をAIが聞き取り、診療録の下書きを自動で作る仕組みです。日本でも2026年から院内で安全に処理する実証が始まっています[8]。
Q5. AIが誤診したら、責任は誰が負うのですか？
A. 現時点で最も難しい論点の一つです。日本医師会は2026年4月の答申で、最終判断は人間が行う原則と責任の所在の整理の必要性を示しています[6]。AIを使っても、診療の責任は医師にあるのが基本です。
Q6. AI問診で入力した個人情報は大丈夫ですか？
A. 医療機関のAIは薬機法や各種ガイドラインの下で扱われます。日本ではデータを外部に出さず院内で処理するオンプレミス型の設計も広がっており、個人情報保護が重視されています[8]。
参考文献
- Yu H, et al. Performance of Large Language Models in Diagnosing Rare Hematologic Diseases and the Impact of Their Diagnostic Outputs on Physicians. J Med Internet Res. 2025;27:e77334. doi:10.2196/77334
- He Y, et al. A comparison of the performance of Chinese large language models and ChatGPT throughout the entire clinical workflow. Sci Rep. 2025;15(1):36322. doi:10.1038/s41598-025-20210-7
- Safranek CW, et al. Simulated evaluation of large language model stepwise diagnostic reasoning with real-world chest pain encounters and Bayesian networks. BMC Med Inform Decis Mak. 2026;26(1). doi:10.1186/s12911-026-03381-9
- Wan XH, et al. DeepGut: A collaborative multimodal large language model framework for digestive disease assisted diagnosis and treatment. World J Gastroenterol. 2025;31(31):109948. doi:10.3748/wjg.v31.i31.109948
- U.S. Food and Drug Administration. Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices. FDA公式リスト（2025年集計）
- 日本医師会 AIの臨床利用に関する検討委員会（プロジェクト委員会）答申「AIに関する臨床的課題と生命倫理について」2026年4月. 日本医師会 答申PDF
- 厚生労働省. 令和8年度（2026年度）診療報酬改定（基本方針：ICT・AI・IoT等の利活用の推進）. 厚生労働省 診療報酬改定
- NTTドコモビジネス. 厚生労働省事業に採択、JCHO北海道病院でAIカルテ下書き実証開始. 2026年1月19日. プレスリリース
- 日経メディカル. 「内視鏡画像診断支援AI、日本が世界でリードできる分野に」AI Leaders. 2025年5月. 日経メディカル
- Ubie（ユビー）. ユビーAI問診 病院導入事例. 導入事例
今村久司（京都大学医学部卒・京都大学医学博士・神経内科専門医指導医・総合内科専門医指導医・てんかん学会専門医指導医）
※本記事は2026年5月末時点の情報に基づく医療・医学に関する一般的な解説であり、個別の診断・治療を目的としたものではありません。承認状況・制度・診療報酬は今後変更される可能性があります。具体的な医療判断は主治医にご相談ください。
