画像情報科学

画像情報学は、放射線情報学または医療画像情報学とも呼ばれ、医療事業における医療画像サービスの効率、精度、使いやすさ、信頼性の向上を目的とした生物医学情報学の専門分野です。 ^[1]医療画像に関する情報や医療画像に含まれる情報が医療事業全体でどのように取得、分析、強化、交換されるかを研究します。

放射線科は本質的にデータ集約型でテクノロジー主導の専門分野であるため、この医療分野の人々は画像情報学のリーダーとなっています。しかし、心臓病学、眼科、皮膚科、外科、消化器学、産科、婦人科、病理学などの分野を含む医療の実践全体でデジタル化された画像が急増しているため、画像情報学の進歩は医療の他の領域でもテストされ、適用されています。医療用画像に関与するさまざまな業界のプレーヤーやベンダー、IT 専門家、その他の生物医学情報学の専門家が、この拡大する分野に貢献し、関与しています。

イメージング情報科学は、いくつかの広範な分野の交差点に存在します。

• 生物科学-生化学、微生物学、生理学、遺伝学などの基礎科学を含む
• 臨床サービス - 医療行為、成果と費用対効果の研究を含むベッドサイド研究、公衆衛生政策を含む
• 情報科学– 情報の取得、検索、カタログ化、アーカイブ化を扱う
• 医学物理学/生体医学工学– 医療目的の機器や技術の使用を伴う
• 認知科学-人間とコンピュータのインタラクション、ユーザビリティ、情報の視覚化を研究する
• コンピュータサイエンス-コンピュータ支援診断やコンピュータビジョンなどのアプリケーションにおけるコンピュータアルゴリズムの使用を研究する

イメージング インフォマティクスに関わる業界関係者の多様性と専門分野の広さにより、新しい標準とプロトコルの需要が高まっています。これには、DICOM (医療におけるデジタル画像と通信)、Health Level 7 (HL7)、国際標準化機構(ISO)、人工知能プロトコルが含まれます。

イメージング インフォマティクスに関する現在の研究は、人工知能 (AI) と機械学習(ML)に重点を置いています。これらの新しいテクノロジーは、自動化方法、病気の分類、高度な視覚化技術、診断精度の向上の開発に使用されています。ただし、AI と ML の統合には、データ管理とセキュリティに関するいくつかの課題があります。

画像情報科学の分野は現代のコンピュータの力に基づいていますが、そのルーツは20世紀初頭にまで遡ります。1895年11月8日、ドイツの物理学者ヴィルヘルム・コンラート・レントゲンは実験中に「 X線」と名付けた新しい画像技術を発見しました。この発見は医療用画像分野の創設につながり、ひいては人類の革新の新たな波を引き起こしました。^[2]

X線は発見されてから数十年間、唯一の医療用画像技術でした。しかし、20世紀半ばの到来は、医療用画像分野が拡大することを意味しました。新しいモダリティには、高解像度で軟部組織を視覚化するコンピューター断層撮影（CT）、軟部組織画像の現代の標準である磁気共鳴画像（MRI）、音波を使用してより安価な視覚化を作成する超音波、複数のモダリティを組み合わせて作成された機能画像とより高い空間解像度の画像化のための核画像とハイブリッドスキャナーが含まれていました。^[3]

これらの画像技術がより洗練されるにつれて、医療用画像の専門家が処理することが求められる情報量も増加しました。さらに、 20世紀中盤から後半にかけてのデジタル革命により、これらの技術で収集できるデータがさらに増加し​​ました。その結果、医療用画像分野の主な制限要因は、大量のデータを正確に解釈する人間の能力の欠如となりました。^[4]そのため、複雑なデジタル画像の分析、保存、操作をコンピューターで支援する必要が生じました。これらのニーズを満たすために、現代の画像情報科学が開発されました。

イメージング インフォマティクスは、数多くの関心領域を持つ幅広い分野であり、その発展はさまざまな個別技術の発展の集大成です。この分野における重要なイノベーションのいくつかは次のとおりです。

PACSの開発により、医療現場での画像保存および検索システムの使用が普及しました。^[5]さらに、この新しい技術は他の技術の開発を要求しました。PACSが医療界に与えた影響を考えると、デジタル画像の標準を整備する必要があることに世界はすぐに気づきました。米国放射線学会（ACR）と全米電気工業会（NEMA）は、この懸念に応えて、デジタル画像および通信標準委員会（後にDICOMとなる）を設立しました。^[6]

デジタル時代が放射線医学に与えた影響により、管理が必要なデータが大量に流入しました。これに対処するために、放射線情報システム（RIS）^[7]や病院情報システム（HIS）などの技術が情報技術分野に組み込まれました。これらのシステムは、右の図に示すように、PACSやその他の画像技術と連携して患者データ管理を合理化します。^[8]

コンピュータ支援検出(CAD) とコンピュータ支援診断(CADx)の考え方は、医療画像データの分析と解釈のプロセスを自動化し、人間による検出と診断よりも高い精度を実現できる可能性があるというものです。このテーマへの関心は、放射線画像が初めてデジタル化された 1966 年にまで遡ります。^[9] CAD システムの最初の実装に成功したのは、1994 年にシカゴ大学でマンモグラフィー用に実装されたときでした。その後、1998 年に ImageChecker M1000 と呼ばれる最初の商用 CAD システムが続きました。^[6] 21 世紀に入り、機械学習技術を利用して CAD および CADx システムのバージョンが完成しました。^[10]これらの技術の将来の開発は、医療画像処理における人間の限界を解決するため、有利です。^[4]高精度で完全に自動化された CAD システムはまだ実現されていませんが、最近の人工知能の進歩により、機能する実装が可能になる可能性があります。^[11]

画像情報科学の分野では、業界標準とデータ共有プロトコルに関する情報が最新のものであることを確認することが不可欠です。この分野の急速な進歩には、統一性を維持し、相互運用性を促進し、画像データの効果的な配布を保証するための注意深いアプローチが必要です。この目的のために、いくつかの重要な側面を厳密に検討する必要があります。

DICOM (Digital Imaging and Communications in Medicine) 標準は、医療画像データを適切な患者識別子と統合し、JPEG 画像に埋め込まれたメタデータに類似した統合データ セットにまとめる洗練された構造スキーマを規定しています。このような DICOM エンティティは多数の属性で構成されており、特にピクセル データをカプセル化します。ピクセル データは、特定の画像モダリティでは個別の画像、またはシネ ループや核医学の多次元スキャンで観察される運動データや体積データを例示するフレームの配列に対応します。このアーキテクチャは、複雑で多面的なデータをモノリシックな DICOM ファイルに同化することを可能にします。この標準は、JPEG や JPEG 2000 など、さまざまなピクセル データ圧縮アルゴリズムに対応しており、暫定的に全体的なデータ セット圧縮が可能です。DICOM は、データ要素に対して 3 つのエンコードを指定し、DICOM 概説のパート 5 で詳述されている特定の例外を除き、明示的な値表現を優先します。さまざまなアプリケーションに均一に適用され、ファイル マニフェストには通常、元のアプリケーションに関する重要な属性とデータを格納するヘッダーが組み込まれています。

提案されたワークフローは、DICOM構造化レポート（SR）の使用を統合しており、重要な測定値はDICOM SRオブジェクトとしてエンコードされます。これらのオブジェクトは、定義済みのSRテンプレートを埋めるために使用され、個別のデータ要素で構成された標準化されたレポートが作成されます。このレポートは、その後、電子医療記録（EMR）システムに送信されます。これらのレポートから抽出された個別のデータは、個々の患者の指標の長期的なモニタリングを容易にし、データレジストリに転送され、臨床研究の目的で活用されます。^[12]

DDInteract は、医療従事者と患者間の協力関係を強化し、潜在的な薬物相互作用によってもたらされる危険を最小限に抑える最適な治療アプローチを確認することを目的として設計されました。DDInteract のユーザー インターフェイスは、4 つの異なるセグメントに体系的に編成されています。

投薬データは、さまざまな Fast Health Interoperability Resources (FHIR) リソースで表現できるため、DDInteract による慎重な分析が必要です。具体的には、MedicationRequest は患者に処方された投薬に使用され、MedicationDispense は患者に物理的に提供された投薬をカバーし、MedicationStatement は患者が服用した、または現在服用していると報告した投薬に関係します。1 つの投薬が複数のリソース フォームで表現される可能性があり、潜在的な冗長性は、最新の日付とリソース タイプ間の定義された階層に基づいて 1 つのレコードに統合されます。

FHIR サーバーからのデータ取得の効率を最適化するために、すべての投薬インスタンスが考慮されるわけではありません。現在アクティブなリソース、または過去 100 日以内にアクティブだったリソースのみが対象となり、通常 3 か月を超えない期間の投薬を許可する一般的な米国のプロトコルに準拠しています。

品質管理システム (QMS) は、組織構造、リソースの割り当て、人員の専門知識、文書と手順のリポジトリを含む統合構造であり、これらが集合的に組織が提供するサービスの品質の保証と向上に貢献します。これは、品質パラメータを管理および最適化するために不可欠な、体系的に調整された一連のアクションを概説します。ISO 9000 スイートは、QMS 実装のための卓越した普遍的に承認されたスキーマとして登場し、ISO 15189 規格は、臨床検査室の緊急性のために特別に設計された特殊なフレームワークを提供します。^[13]

体系的なレビューでは、医療画像診断におけるディープラーニング診断アルゴリズムの有効性と臨床医の専門知識を比較する研究における設計、報告基準、バイアスのリスク、主張の妥当性を批判的に評価しました。2010年から2019年6月までの著名なデータベースのデータを使用して実施されたこのレビューは、特に畳み込みニューラルネットワーク（CNN）に関する研究を対象としていました。CNNは、医療コンテキスト内で画像分類の重要な特徴を自律的に識別する能力で知られています。調査により、この主題に関するランダム化臨床試験に顕著な欠陥があることが明らかになり、そのような研究はわずか10件しか特定されず、そのうち2件のみが公表され、バイアスのリスクが低く、報告プロトコルの遵守が称賛に値することが示されました。発見された81件の非ランダム化研究のうち、少数は実際の臨床環境で前向きまたは検証されており、大多数はバイアスのリスクが高く、報告基準への準拠が標準以下で、データとコードへのアクセスが著しく不足していました。このレビューは、深層学習を医療画像に応用するという急成長中の分野において、前向き研究とランダム化試験の数を増やし、偏見を減らし、臨床的妥当性を高め、透明性を高め、結論を緩和することの必要性を強調している。^[14]

デジタルデータの急激な増加とコンピューティング能力の向上により、人工知能 (AI) の進歩が著しく加速し、現在では医療に徐々に取り入れられています。これらの AI アプリケーションは、洗練された分類および予測モデルを通じて診断、治療、予後を改善することを目的としています。しかし、これらのテクノロジーの進化は、データ ソース、モデル アーキテクチャ、およびモデルの評価と検証に使用される方法論に関する厳格なレポート標準の欠如によって妨げられています。これに対応して、私たちは MINIMAR (Minimum Information for Medical AI Reporting) を提案します。これは、AI 駆動型予測、対象となる人口統計、固有のバイアス、およびこれらのテクノロジーを一般化する能力を理解するための重要なパラメーターを確立するように設計されたイニシアチブです。私たちは、標準化されたプロトコルを採用して、医療における AI 実装が正確かつ責任を持って報告されるようにすることを推奨します。これにより、関連する臨床意思決定支援ツールの開発と展開が容易になり、同時に精度とバイアスに関する重要な懸念にも対処できます。^[15]

基本的な要件として、提案された標準は、いくつかの重要な基準を満たす必要があります。まず、トレーニング データが取得される人口に関する包括的な詳細を網羅し、データのソースとコホート選択に使用された方法を説明している必要があります。次に、トレーニング データの人口統計は、モデルが動作することを意図している人口の人口統計特性との実質的な比較を容易にするために明示的に文書化されている必要があります。3 番目に、モデルの意図された目的を明確に解釈し、類似のモデルと比較し、正確な複製を可能にするために、モデルのアーキテクチャと開発プロセスが完全に開示されている必要があります。4 番目に、モデルの評価、最適化、検証のプロセスは、ローカル モデル最適化が達成される手段を明らかにし、複製とリソースの共有をサポートするために、透明に報告される必要があります。^[15]

• 診断精度の向上: 人工知能、特に畳み込みニューラル ネットワーク (CNN) の使用により、診断精度が大幅に向上し、医療用画像処理が変革されました。これらのテクノロジーは、画像データから関連する特徴を自律的に識別することに優れており、診断、予後、治療戦略を強化します。
• 運用効率: 膨大な画像データセットを迅速に分析する AI の能力は人間の能力を超えており、画像診断と診断の間隔を短縮する可能性を秘めており、最終的には患者ケアに役立ちます。
• 一貫性と再現性: MINIMAR などのイニシアチブは、医療における AI の標準化されたレポートと導入を促進し、さまざまな臨床環境にわたって AI 駆動型診断ツールの一貫性と再現性を向上させるため、非常に重要です。

• 不十分な臨床検証: AI ツールの臨床検証における大きなギャップは、AI システムのパフォーマンスを人間の臨床医と直接比較するランダム化臨床試験の数が限られていることから明らかです。多くの研究では、バイアスのリスクが高く、確立された報告基準が十分に遵守されていないことが示されています。
• リソースのアクセス可能性: AI 研究で使用されるデータセットとアルゴリズムへのアクセスが制限されているという一般的な問題により、より広範な科学コミュニティが既存の研究を検証、複製、革新する能力が妨げられています。
• 透明性と倫理的懸念: 医療画像における AI 開発は、モデルの構築、トレーニング、検証方法に関する透明性の面で課題に直面しています。さらに、これらのモデルが適切にチェックされない場合、既存のバイアスを伝播したり、新しいバイアスを導入したりする可能性があるという差し迫った懸念があります。

• 厳密な試験の拡大: 臨床現場での AI アプリケーションを徹底的に評価および検証するには、前向きで適切に設計されたランダム化試験を大幅に増やす必要があります。
• 報告の標準化: MINIMAR などのイニシアチブによって提案されている包括的な報告標準を実装することで、透明性の問題に対処し、偏見を減らし、AI アプリケーションの一般化を強化し、厳格な科学的および倫理的基準を満たすことが保証されます。
• オープン データ プラクティスの推進: AI データセットとモデリング コードへのオープン アクセスを促進することで、AI テクノロジーの精査、複製、進歩を強化する共同環境が促進され、医療における AI テクノロジーの役割が強化されます。

要約すると、AI はイメージング インフォマティクスを進歩させる大きな機会を提供しますが、これらの機会を最大限に活用するには、厳格な検証、堅牢なレポート フレームワークの順守、倫理的考慮事項への対応に対する包括的な取り組みが必要です。これらのステップは、AI 駆動型ツールが医療診断の効率と有効性を高めるという約束を確実に達成するために極めて重要です。

イメージング情報科学に関連する主な分野は次のとおりです。

• 画像アーカイブおよび通信システム（PACS）およびコンポーネントシステム
• 企業向けイメージングインフォマティクス
• 画像対応電子医療記録
• 放射線情報システム(RIS) と病院情報システム(HIS)
• デジタル画像取得
• 画像処理と強化
• ラジオミクス
• 画像データの圧縮
• 3D視覚化とマルチメディア
• 音声認識
• コンピュータ支援診断（CAD）。
• イメージング施設の設計
• イメージング語彙とオントロジー
• 医療画像データベースからのデータマイニング
• 放射線学的解釈プロセスの変革（TRIP）^[17]
• DICOM、HL7、FHIRおよびその他の標準
• ワークフローとプロセスのモデリングとプロセスシミュレーション
• 品質保証
• アーカイブの整合性とセキュリティ
• 遠隔放射線診断
• 放射線情報学教育
• デジタルイメージング

イメージングインフォマティクスは医療分野で非常に多くの用途があります。

画像情報科学は、放射線学の分野で最も顕著です。放射線科医は、AI を使用することで、画像情報科学を利用して仕事を楽にし、画像を分析する時間を節約できます。「Current Medical Imaging」に掲載された研究では、AI 支援による CT 画像では、放射線科医が肺結節や胸水を検出するのにかかる読影時間が 44% 以上短縮されたことがわかりました。^[18]

心臓病学におけるイメージング情報科学は、心血管疾患の分子表現型解析と心血管疾患の知識の統合に役立ちます。^[19]つまり、データ抽出、イメージング、機械学習によるデータと画像の分析により、研究者は発見された特性や特徴に基づいて疾患を分類することができます。この分類により、研究者はこの心血管疾患情報を1つのプラットフォームに統合し、継続的な分析と情報検索を行うことができます。

病理学におけるイメージング インフォマティクスは、全体として、幅広い疾患の検出と分析を可能にします。病理学における最も顕著な用途は、さまざまな種類のがんの検出と分析です。がんを手動で診断することは、何百万もの細胞を調べることを含む、骨の折れる主観的なプロセスです。さまざまな臨床意思決定支援システム (CDSS) を通じて、専門家は組織領域選択の手作業を軽減し、Whole-Slide Imaging (WSI) ツールを使用して分析される情報を最大化できます。いくつかの予測モデルは、WSI 内の関心領域を識別することを目的としており、使用前にトレーニングが必要です。教師なしモデルが導入されていますが、現在はあまり目立ちません。使用されている教師なしモデルの例としては、教師なし方法を使用して、各ピクセルの彩度と強度値の差を表す画像内のピクセルをクラスター化することにより、組織のひだを検出することが挙げられます。教師なしモデルであるため、この方法にはいくつかの制限があります。これらの制限は、画像内のさまざまな種類の組織ひだに対する感度が低く、組織ひだのない画像に対する特異性が低いことです。^[20]

米国およびその他の一部の国では、この分野で専門分野の研修を受けたい放射線科医は、画像情報科学のフェローシップ研修を受けることができます。画像情報科学のフェローシップは、診断放射線学の認定資格を取得した後に取得でき、他の専門分野の放射線学フェローシップと同時に取得することもできます。

アメリカ画像情報学会（ABII）も画像情報専門家の認定試験を実施しています。画像情報専門家向けのPARCA（PACS管理者登録および認定協会）認定も存在します。^[21]

アメリカ予防医学委員会（ ABPM）は、アメリカ医療専門委員会による一次認定、医師免許、医学博士号を持つ医師を対象に、臨床情報学の認定試験を実施している。受験資格を得るには、ACGME認定の臨床情報学フェローシップ研修を修了していない人のための実践パスウェイ（2022年まで開講）と、少なくとも24か月間の期間のACGME認定フェローシップパスウェイの2つの経路がある。^[22]

DICOM規格の拡大により、画像保管・通信システム（PACS）の普及が促進され、画像情報学のデジタル変革における画期的な出来事となりました。1990年代後半に定着し、2000年代初頭までに確立されたこの標準化により、さまざまなシステム間での医療画像の保存、取得、共有の能力が強化され、医療画像診断業務の効率が向上しました。^[23]

構造化レポートの採用は、レポートを標準化して簡潔で統一的なものにし、患者のケアに影響を与えることを目的としていました。BI -RADS （乳房画像レポートおよびデータシステム）の導入は注目すべき例であり、マンモグラフィーレポート全体の一貫性の向上につながりました。このマイルストーンは数年にわたっており、これらのシステムは2010年代初頭を通じて改良され、より広く採用されました。^[23]

グラフィックス・プロセッシング・ユニット（GPU）を使ってニューラル・ネットワークを高速化できるという認識は、2012年頃に起こりました。この進歩により、ディープラーニング技術が急速に発展し、画像のセグメンテーション、特徴認識、注釈付き画像の大規模なデータセットからのアルゴリズム作成などのタスクが高速化されました。このAIの時代では、何百もの診断タスクを支援できる高性能アルゴリズムが可能になりました。^[23]

人間の目には見えない医療画像から定量的な特徴を抽出するラジオミクスの分野は、2010年代後半にかけて大きな成長を遂げました。このアプローチにより、画像データのより深い分析が可能になり、ゲノムパターンやその他の医療データと相関させて診断と予測の精度を高めることができます。 ^[23]

2022年にコンピューター断層撮影（CT）スキャン用の光子計数検出器（PCD）が開発され、FDAの承認を受けたことは重要なイノベーションでした。これらの検出器は、X線を電気信号に変換するより効率的なプロセスを提供し、材料の差別化を向上させ、患者の放射線量を減らす可能性があります。右の画像は、それぞれ古いCT技術と新しいCT技術を使用した同じ脳の2つのスキャンを示しています。^[24]

画像情報学の現在の研究は、主に医用画像技術における人工知能（AI）と機械学習（ML）の統合と進歩に焦点を当てています。努力は、診断精度の向上、予測分析の改善、画像分析プロセスの自動化に集中しています。MLのサブセットであるディープラーニングは、放射線画像の変革において特に重要であり、腫瘍検出、臓器セグメンテーション、異常識別などのタスク用のアルゴリズムがますます開発されています。これらの進歩は、診断の効率と精度を高めることを目的としているだけでなく、日常的なタスクを自動化することで放射線科医の作業負荷を軽減することを目指しています。^{[11] [25]}

今後、画像情報科学の方向性としては、遺伝学、病理学、ウェアラブルデバイスからのデータを取り入れ、患者の健康をより総合的にとらえるなど、学際的なアプローチをさらに取り入れていくことが期待されています。画像の特徴とゲノムデータを結び付ける「ラジオゲノミクス」という概念は、関心が高まっている分野であり、よりパーソナライズされた正確な医療につながる可能性があります。さらに、相互運用性標準と安全なデータ交換プロトコルの継続的な開発は、さまざまな医療プラットフォーム間で画像データをシームレスに統合し、共同研究と臨床実践を世界的に強化する上で非常に重要です。^{[23] [24]}

イメージング情報科学の分野にはいくつかの課題があります。

1. データ管理：大量の高品質画像から生成される膨大な量のデータは、保存と効率の問題を引き起こします。これらの画像の効率的な管理、保存、検索は非常に重要です。これは、大規模なデータセットを効率的に処理できるインフラストラクチャとシステムの開発の面で課題です。^[26]
2. 統合：ヘルスケアは変化への適応が非常に遅い分野です。これは、すべてのシステムを徹底的にテストし、既存のシステムと問題なく連携して動作する必要があるためです。^[26]
3. セキュリティ: 個人のセキュリティと安全なデータ管理は常に懸念事項です。医療分野ではセキュリティの基準と規制がはるかに厳しいため、この懸念はさらに高まります。医療用画像処理では、機密性の高い患者データをネットワーク間で共有することが多く、データ漏洩を防ぎプライバシー コンプライアンスを確保するには、堅牢なセキュリティ対策が不可欠です。これには、安全な送信、保存データの暗号化、厳格なアクセス制御が含まれます。
4. 人工知能の統合：AIは診断の精度と画像診断の効率性を高める大きな可能性を秘めているが、臨床ワークフローへの統合には課題がつきものだ。AIモデルのトレーニングには高品質で注釈付きのデータセットが必要であること、アルゴリズムの偏りのリスク、意思決定の方法が不明瞭になる可能性のある一部のAIシステムのブラックボックス性などが挙げられる。また、医療従事者の間ではAIの信頼性と精度について懐疑的な見方もあり、それがAIの導入を妨げる可能性がある。^[26]
5. 倫理的および法的問題：高度な画像技術の導入は、AIが患者の診断にどの程度関与すべきか、AIが人間の放射線科医に取って代わる可能性について倫理的な問題を提起する。特にAIが使用される場合の医療過誤や責任に関する法的影響はまだ解決されていない。これらの問題には、医療画像におけるAIの使用を管理するための明確なガイドラインと堅牢な倫理的枠組みが必要である。^[26]

これらの課題に対処するには、技術開発者、医療提供者、規制機関、その他の関係者間の協調的な取り組みが必要です。画像情報科学が患者のケアと治療結果を向上させるという約束を確実に果たせるようにするには、技術の進歩と実用性、倫理、公平性のバランスを取る必要があります。

近年、画像情報科学に関連するソフトウェア技術は大きく進歩しました。注目すべき進歩の1つは、機械学習アルゴリズムを画像ソフトウェアに統合し、医用画像の自動分析と解釈を可能にしたことです。たとえば、Rajpurkarら（2017）は、胸部X線での肺炎検出におけるディープラーニングアルゴリズムの有効性を実証し、医用画像分析における機械学習の可能性を示しました。^[27]これらのアルゴリズムは、病変検出、疾患分類、治療反応評価などのタスクで有望な結果を示しています。さらに、自然言語処理（NLP）技術の実装により、構造化されていない放射線レポートから貴重な洞察を抽出しやすくなり、データ分析と意思決定プロセスの効率が向上しました。

ハードウェア技術の進歩も、イメージングインフォマティクスの展望を形成する上で重要な役割を果たしてきました。磁気共鳴画像法（MRI）、コンピューター断層撮影（CT）、陽電子放出断層撮影（PET）などのイメージングモダリティの進化により、画像解像度、取得速度、診断精度が向上しました。^[28]さらに、イメージングデバイスの小型化により、ポイントオブケアイメージングが可能になり、さまざまな臨床環境で患者をリアルタイムで評価できるようになりました。たとえば、ハンドヘルド超音波デバイスの開発により、臨床医にベッドサイド検査用のポータブルで使いやすいツールが提供され、ポイントオブケアイメージングに革命が起こりました（Smith、2018）。ウェアラブルデバイスとモバイルヘルスアプリケーションの台頭により、イメージングインフォマティクスの範囲がさらに拡大し、センサーとカメラを使用したリモートイメージングと患者モニタリングが容易になりました。^[28]

技術革新とともに、方法論の進歩により、画像情報科学の能力が拡大してきました。1つの進歩は、複数の画像診断法からのデータを組み合わせて、解剖学的および生理学的構造に関する補完的な情報を提供するマルチモーダル画像診断技術の統合です。たとえば、最近の研究では、MRI、CT、超音波データを組み合わせることで、腫瘍患者の診断と治療計画が改善されることが実証されています（Gupta et al.、2020）。^[29]これらのソースからのデータを融合することで、臨床医は患者の状態をより包括的に理解できるようになり、より正確な診断と個別の治療計画につながります。

• 医学画像情報学会
• アメリカ画像情報学会