Henry Schein One、Amazon SageMaker AIによるリアルタイム歯科画像検証を実現

歯科医療において、画像の品質は保険請求が支払われるか拒否されるかを左右します。最大20%の保険請求が初回拒否され、その主な原因の一つが画像の欠落や低品質です。しかし、品質評価は従来、手動かつ事後的なプロセスでした。臨床医はX線撮影から数時間または数日後に画像を確認し、請求が拒否されたり治療計画が進められなくなったりして初めて問題を発見します。画像がぼやけていたり、位置がずれていたり、不完全だったりすると、患者は再撮影のために再来院する必要があり、コストと遅延が発生し、関係者全員にフラストレーションをもたらします。根本的なギャップはタイミングにあります。品質に関するフィードバックは、患者が帰宅し、臨床の瞬間が過ぎ去ったずっと後に届くのです。

本記事では、Henry Schein Oneがこのギャップを埋めるために、Amazon SageMaker AI上に構築したAI駆動の品質検証システムImage Verifyについて説明します。このシステムは、撮影時にリアルタイムで歯科X線画像の品質を評価し、数千の拠点にわたって機能します。構想から数ヶ月で10,000以上のアクティブな拠点に拡大し、これまでに1,100万枚以上のX線画像を処理し、週150万枚のペースで成長しています。Henry Schein Oneは現在、世界4地域の40,000拠点へのスケーリングを進めています。

Image Verifyは品質ソリューションであり、診断ツールではありません。病理を特定するのではなく、「この画像は臨床使用に十分な品質か？」という問いに答えます。この区別により、チームは臨床AIに関連する規制上の制約なしに反復的な改善を行うことができました。

診療所にとっての効果は即時的です。患者の再来院減少、保険請求の品質向上、新人技師のトレーニング改善、そして技師のエンゲージメントを自然に高めるゲーミフィケーション要素などが挙げられます。

Henry Schein Oneは、最初からAWS上にImage Verifyを構築し、大規模な機械学習推論にAmazon SageMaker AIを採用しました。アプリケーション層はAmazon Elastic Kubernetes Service（Amazon EKS）上で動作し、診療管理アプリケーションからSageMaker AI推論エンドポイントへのリクエストを調整し、品質スコアを臨床医に返します。

画像が歯科診療所でキャプチャされると、SageMaker AI上でホストされるマルチモデル機械学習推論パイプラインを通過します。パイプラインは順次動作します。分類段階で画像タイプ（バイトウィング、パノラマ、ペリアピカルなど）を識別し、適切な品質評価モデルにルーティングします。品質評価段階では、特定された画像タイプに対して鮮明度、アライメント、カバレッジ、完全性を評価します。スコア集約段階で、品質モデルの結果を統合し、1～5の単一品質スコアとして診療管理アプリケーションに返します。画像キャプチャから画面に品質スコアが表示されるまでの全ラウンドトリップの中央値は1.4秒、P90は2.2秒で、数百万回の推論におけるエラー率は0.01%です。

最適化に関して、チームはインフラストラクチャのボトルネックを特定しました。前処理パイプラインが完全にCPU上で実行されており、GPUリソースが十分に活用されていなかったのです。画像前処理をCPUからGPUに移行し、非同期推論とA/Bテストフレームワークを採用することで、GPUインスタンスを15から10に削減（33%減）しながらレイテンシーを改善しました。現在、システムは約70%のGPU使用率で稼働し、最適化バックログの60%を完了し、継続的に改善をリリースしています。

将来を見据え、アーキテクチャは4地域の40,000拠点というグローバルターゲットに対して検証済みです。現在の10,000拠点はその容量の約26%に相当し、再アーキテクチャなしで成長を続けるための十分な余裕を提供します。チームはインフラストラクチャ効率を一度きりのプロジェクトではなく製品機能として扱い、ゼロダウンタイムのA/Bデプロイを通じて毎週最適化をリリースし、顧客影響や計画メンテナンスウィンドウなしで運用しています。