ヘンリー・シーン・ワンがAmazon SageMaker AIを用いたリアルタイム歯科画像検証を実現

歯科において、画像の品質は請求が承認されるか拒否されるかを決定します。保険請求の最大 20% が当初に拒否されており、その主な原因の一つとして画像の欠落や低品質が挙げられます。しかし、品質評価は従来、事後に行われる手作業のプロセスでした。臨床医は撮影から数時間後あるいは数日後に X レイをレビューし、請求が拒否された場合や治療計画が進められない場合にのみ問題を発見します。画像がぼやけている、位置がずれている、または不完全である場合、患者は再撮影のために再度来院する必要があり、関係者全員にとってコストの増加、遅延、そして不満が生じます。根本的な問題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、患者が去り、臨床的瞬間が過ぎた後にようやく届くのです。

本記事では、Henry Schein One がどのようにしてこのギャップを埋めたかを説明します。同社は Amazon SageMaker AI 上で AI を活用した品質検証システム「Image Verify」を構築し、歯科用 X レイの品質を撮影時点、リアルタイムで、数千か所の拠点において評価する仕組みを実現しました。このシステムは概念から数ヶ月以内に 10,000 か所以上のアクティブな拠点到達を果たし、すでに 1,100 万枚を超える X レイを処理しており、週あたり 150 万枚のペースで増加しています。Henry Schein One は現在、4 つの地域にまたがる全球規模で 40,000 か所の拠点到達を目指してスケールアップを進めています。

チャンレンジ：スケールにおけるリアルタイム画像品質

Henry Schein One の既存の画像検証ソリューションは異なるクラウドプラットフォーム上で稼働していましたが、滑らかな臨床ワークフローに必要なレイテンシやコスト効率を提供できませんでした。AWS 上での再構築は単なる移行ではありませんでした。それは、5 つの同時要件を満たすシステムを設計することを意味しました。そのいずれか一つでも欠ければ、秒数が重要であり信頼が徐々に築かれる必要がある臨床環境において、そのソリューションは使用不可能なものとなります。

• レイテンシ – 臨床医は待ちません。品質評価は臨床ワークフローに自然に組み込まれるよう、3 秒未満で返答する必要があります。

• 精度 – 複数の機械学習 (ML) モデルが、鮮明さ、アライメント、完全性など異なる品質次元を評価しなければなりませんが、臨床医の信頼を損なう偽陽性は発生してはいけません。

• スケール – システムは同時に数万か所に対応し、日次処理量は数十万件に達する必要があります。

• コスト効率 – このスケールでの GPU 推論は、慎重に最適化されない場合、費用が高額すぎて実行不可能になる可能性があります。

• グローバル展開 – ヘルスケアは地域密着型ですが、プラットフォームは一貫したパフォーマンスで複数のリージョンに展開されなければなりません。

Henry Schein One の Image Verify

Henry Schein One は、Dentrix や Dentrix Ascend といったプラクティス管理プラットフォームを通じて、世界中の歯科診療所をサポートしています。これらのプラットフォームは数万人の臨床医に利用されています。同社の Platform Services チームが特定した、具体的かつ高コストな課題とは、歯科保険請求の最大 20% が初回で却下されるという点であり、その主な原因の一つとして画像の欠落や低品質が挙げられています。

Image Verify は、プラクティス管理ワークフローにネイティブに組み込まれた、AI を活用した品質評価ソリューションです。技師が X 線写真を撮影すると、Image Verify が即座にそれを評価し、1 から 5 のスケールで品質スコアを返します。画像のスコアが低い場合、患者がその場にいる間に再撮影が行われるため、再受診の必要がなくなります。

この製品は 2025 年秋の概念段階から、数ヶ月という短期間で本番環境へ移行しました。ローンチから数週間後には 250 の診療所で稼働し始めました。2026 年 4 月末までにはその数は 1 万件を超え、43 倍の増加となりました。処理された X 線写真は 900 万枚以上となり、週次処理量は平均 150 万枚でさらに増加傾向にあります。

Image Verify は診断機能ではなく品質保証ソリューションです。病変を特定するものではなく、「この画像は臨床使用に十分か」という一つの問いに答えるものです。この明確な区別により、チームは臨床 AI に伴う規制制約を受けずにイテレーション（改善・改良）を進めることができました。

診療所にとって、その影響は即座に現れます。患者からの再連絡が減り、保険請求の質が高まり、新技術者向けのトレーニングが改善され、ゲーム化要素によって技術者のエンゲージメント自体を促進します。

"Image Verify は第 3 四半期の終わりに単なるアイデアでした。6 ヶ月で創出・洗練され、現在は大規模に展開されています。設計とワークフローにより、導入は迅速かつ直感的で、スケーラブルです。"

— トロイ・ミラー氏（トロイ・ミラー）、Henry Schein One 副社長（アーキテクチャ）

アーキテクチャ：AWS と Henry Schein One がどのようにソリューションを構築したか

Henry Schein One は、Image Verify を AWS 上で最初から構築し、大規模な機械学習推論には Amazon SageMaker AI を活用しました。アプリケーション層は Amazon Elastic Kubernetes Service (Amazon EKS) で動作しており、診療所管理アプリケーションからのリクエストを SageMaker AI の推論エンドポイントにオーケストレーションし、品質スコアを臨床医へ返却します。

アーキテクチャ図：

推論パイプライン

歯科診療所で画像がキャプチャされると、SageMaker AI でホストされたマルチモデル機械学習推論パイプラインを流れます。このパイプラインは順次段階で動作します：

• クラス分類 – 最初の段階では、画像の種類（ビトウィング、パノラマ、または根尖部など）を特定し、適切な品質評価モデルへルーティングします。

• 品質評価 – 専門的なモデルが、特定された画像タイプに対して鮮明さ、アライメント、被写界深度、完全性を評価します。

• スコア集約 – 各品質モデルからの結果は統合され、診療所管理アプリケーションに返される単一の 1 から 5 の品質スコアとなります。

画像キャプチャーから画面に表示される品質スコアまでの一連の往復には、中央値で 1.4 秒、P90 で 2.2 秒を要します。本システムは数百万回の推論において 0.01% のエラー率を維持しています。

以下のアーキテクチャ上の判断が、システムのレイテンシ、コスト、およびスケーラビリティ要件の達成を可能にしました：

• SageMaker AI の非同期推論 – 変化するリクエスト量に対応するために過剰なプロビジョニングを行わず、CPU 利用率ではなくキューの深さに基づいて自動スケーリングを行うため、GPU ワークロードに対してより正確なシグナルを提供します。

• GPU インスタンスの選定 – チームは複数の GPU インスタンスファミリーでベンチマークを実施し、最終的に ml.g6e.4xlarge から ml.g7e.4xlarge インスタンスへ移行しました。新しいインスタンスタイプは性能期待値を上回りました。中央値レイテンシは 1.687 秒から 1.432 秒に、P90 は 2.45 秒から 2.196 秒に低下しました。一方、ファームウェアは 15 インスタンスから 10 インスタンスへ統合され、レスポンス時間の改善とともに GPU インフラが 33% 削減されました。

• ダウンタイムゼロのデプロイ – A/B テストフレームワークにより、本番環境への完全展開前に各変更が生産トラフィックに対して検証されるため、本番環境にリスクを与えることなく毎日最適化の反復が可能になります。

• AWS Cloud WAN を活用したマルチリージョン – ネットワークインフラは、米国、欧州、カナダ、アジア太平洋地域全体に一貫したグローバル展開を提供します。

AWS との協力

エンゲージメントが始まった際、AWS ソリューションアーキテクチャチームは、他のクラウドプロバイダー上で稼働していた Henry Schein One の既存画像検証ワークロードをレビューしました。その後、同様の機能を提供しつつ、スケーラビリティにおいてレイテンシとコスト効率を改善できる同等の AWS サービスへアーキテクチャのマッピングを行いました。当初の焦点は、AWS 上で動作するベースラインを確立し、新しい環境でもマルチモデル推論パイプラインが正しく機能することを確認することにありました。チームが機能的な同等性に対して自信を深めるにつれ、協力の方向性はパフォーマンス最適化とスケーリングへと移行しました。アーキテクチャは段階的に進化し、サブ 3 秒の応答時間で数万か所のロケーションをサポートできる SageMaker AI 推論ベースのソリューションへと発展していきました。

この道のりを通じて、AWS チームは継続的なアーキテクチャレビューを提供し、ワークロードプロファイルに最適な GPU インスタンスファミリーの選定を支援し、利用パターンを分析してボトルネックを特定しました。また、チームは Henry Schein One のグローバル展開目標である 40,000 か所のロケーションに対応するスケーリング戦略も策定しました。この反復的で実践的な協力の性質により、両チームは迅速に動き、ゼロダウンタイムデプロイメントパターンを通じて生産環境の安定性を維持しながら、毎週最適化をリリースすることができました。

Optimization: Achieving efficiency at scale

Image Verify の道のりにおける示唆に富む側面の一つは、最適化の物語です。チームがいかに早期にインフラの不効率を特定し、迅速に対応し、今日では数十万の拠点で稼働する、軽量かつ極めて効率的な GPU ファームによって支えられるシステムへと到達したかという点です。

Identifying the bottleneck

Image Verify が生産環境での最初の数週間で急速にスケールするにつれ、チームは利用パターンの理解のためにインフラのプロファイリングを実施しました。その分析により、画像のデコード、正規化、リサイズを含む前処理パイプラインが CPU 上で完全に実行されていることが明らかになりました。GPU リソースは過小評価されており、ワークロードを維持するために必要な以上のインスタンスが消費されていました。

この GPU インスタンス上での CPU サイドのボトルネックは、大規模な機械学習推論における一般的な落とし穴です。CPU の飽和からのシグナルは GPU の余力を隠蔽し、チームが真の機会であるパイプライン最適化ではなく、追加のインスタンスをプロビジョニングするよう導くことがあります。

The optimization approach

チームはパイプライン全体にわたる優先度の高い最適化の機会を特定し、ダウンタイムゼロの A/B デプロイを通じてそれらを順次実装しました。最初の改善点は、画像前処理を CPU から GPU へ移行することであり、これはレイテンシや信頼性の低下を招くことなく、インスタンス効率において即座に顕著な向上をもたらしました。

2 つ目の最適化は直後に続き、インスタンスあたりのスループットにさらなる改善をもたらしました。数日以内に、システムは以前のインスタンス数のごく一部で、急速に拡大する立地範囲に対応できるようになりました。

「私たちのチームは、最適化可能な 60 以上の具体的な項目を特定するために時間を費やしました。リストを下から順に作業を開始し、1 日に複数回デプロイすることさえありました。私が特に強調したい 3 つのポイントは、モデル推論を CPU 側ではなく GPU に直接移動させること（CPU では得られないスループットを解放します）、非同期推論パイプラインへの変更、そして 10,000 箇所以上の立地に展開する前に改善点を安全に検証できる A/B テストフレームワークです。」

— トロイ・ミラー、Henry Schein One 副社長（アーキテクチャ担当）

現在の状況

最適化の旅が始まってから 2 週間以内に、Image Verify は 2,000 万本以上の歯科用 X 線を処理しました。週次ボリュームは平均 150 万本で増加傾向にあり、システムは 10,000 箇所を超えるアクティブな立地を支援しています。これはローンチ時の 250 の診療所から 43 倍の増加です。推論数全体を通じてエラー率は 0.01% で、中央値レイテンシは 1.4 秒、P90 は 2.2 秒を実現しています。ファームウェアは GPU 利用率が約 70% で稼働しており、最適化のバックログの 60% がすでに完了し、改善点は継続的にリリースされています。

これらの数値が患者のアウトカムにどう結びつくかが重要なポイントです。歯科保険請求のうち、画像品質の不良により最大 20% が初回で却下されています。Image Verify は、患者が施設を離れる前に低品質な画像をキャプチャ時点で検出するため、折り返し電話の削減、請求書の精算化、および診療所への支払い加速に貢献します。臨床医や事務スタッフにとっては、フィードバックループが即座に機能し、具体的なアクションにつながります。

同等に注目すべきは、採用の速度です。250 か所から 1 万か所超への拡大は、数ヶ月ではなく数週間で実現されました。技術者が自身のキャプチャ結果に対して品質スコアを確認できるゲーミフィケーション要素が、強制命令なしでエンゲージメントを高め、新規スタッフに対する自然なトレーニングメカニズムを生み出しています。

将来を見据え、本アーキテクチャは 4 つの地域にまたがる 40,000 か所というグローバル目標に対して検証済みです。現在の 10,000 か所はこのキャパシティの約 26% を占めており、再設計を行うことなく継続的な成長のための十分な余地（ランウェイ）を提供しています。チームはインフラ効率を単発プロジェクトではなく、製品機能として捉えています。顧客への影響もなく、メンテナンスウィンドウも不要なゼロダウンタイム A/B デプロイを通じて、毎週最適化をリリースしています。

マシンラーニング推論ワークロードに向けた教訓

Image Verify の最適化の道のりは、スケールして実行されるマシンラーニング推論ワークロードに適用可能な 4 つの原則を浮き彫りにします：

• スケーリング前のプロファイル – ボトルネックは CPU の前処理であり、GPU 計算ではありません。インスタンスを追加しても高価になり、効果もありませんでした。いずれかのコンポーネントをスケーリングする前に、パイプライン全体を計測・分析してください。

• モデルだけでなくパイプラインを最適化 – 推論のレイテンシは、モデルの実行そのものよりも、前処理、後処理、データ転送の中に隠れていることがよくあります。モデルの順伝播（フォワードパス）のみならず、エンドツーエンドのプロファイルを実施してください。

• ダウンタイムゼロでの反復を前提に設計 – A/B テストやトラフィックシフト機能により、本番環境へのリスクなく迅速な反復が可能となり、大規模な運用でも日次デプロイメントのサイクルを実現できます。

• 適切な自動スケーリングの指標を使用 – GPU インスタンスが CPU と GPU の両方のワークロードを混合して処理する場合、CPU 利用率よりもキュー深度や並列リクエスト数が、より信頼性の高いスケーリングのシグナルとなります。

今後の展望

Image Verify は、歯科画像診断に限定されないパターンを示しています：ケア現場におけるリアルタイム機械学習推論を、数千か所にスケールさせつつ、最小限のインフラで効率的に動作するように最適化されたアプローチです。

このアプローチは、組織が同様のワークロードに応用できる 4 つの主要な要素に基づいています：

• マネージド推論 – Amazon SageMaker AI は、GPU フリート管理、自動スケーリング、エンドポイントのライフサイクルといった運用上の複雑さを処理し、エンジニアチームがモデルとパイプラインの品質に集中できるようにします。

• 積極的なパイプライン最適化 – モデルだけでなく、推論全体のパイプラインをプロファイリングすることで、真のボトルネックを浮き彫りにし、追加のインフラコストをかけずに効率向上を実現します。

• ダウンタイムゼロのデプロイパターン – A/B テストとトラフィックシフトにより、本番環境へのリスクを負わずに迅速な反復が可能となり、大規模な日常デプロイサイクルを維持できます。

• マルチリージョンアーキテクチャ – AWS Cloud WAN と 4 つのリージョンにわたる一貫したインフラパターンが、医療機関が必要とするグローバルな展開力を提供します。

Henry Schein One の次のフェーズでは、4 つのリージョンにまたがる 40,000 カ所での運用を目指しており、このアーキテクチャが技術面だけでなく、グローバルな医療ネットワーク全体において運用面でもスケーラブルであることを証明しています。チームは引き続き最適化のバックログに取り組んでおり、各改善点はダウンタイムゼロのデプロイを通じて本番環境にリリースされています。

リアルタイム画像検証や同様の機械学習推論ワークロードを構築する組織にとって、推奨されるパターンは以下の通りです：まずマネージド推論から始め、すべての要素を計測可能にし、パイプラインをエンドツーエンドで最適化し、日常の反復をサポートするデプロイプラクティスを構築することです。

AWS で機械学習推論ワークロードを実行する方法については、Amazon SageMaker AI をご覧ください。Image Verify や Henry Schein One のプラクティス管理プラットフォームの詳細については、henryscheinone.com をご覧ください。

著者について

image

## Troy Miller

Troy は Henry Schein One のアーキテクチャ担当バイスプレジデント（VP）であり、大規模なクラウドネイティブヘルスケア SaaS プロダクトのグローバルチームとアーキテクチャを統括しています。彼はクラウドファーストプラットフォーム戦略、大規模データおよび機械学習（ML: Machine Learning）ワークロード、レガシーシステムの堅牢で高可用性のあるクラウドサービスへの近代化に注力しています。Troy は顧客、エンジニアリング、プロダクト、そしてクラウドプロバイダーと緊密に連携し、ミッションクリティカルなヘルスケアプラットフォーム全体での信頼性向上、コスト最適化、およびイノベーションを推進しています。

image

## Praveen Allam

Praveen は AWS のアカウントソリューションアーキテクトであり、組織がクラウド技術を活用して複雑なビジネス課題を解決するのを支援することに専門化しています。データ駆動型の変革に焦点を当てた彼の分析および生成 AI（Generative AI）技術に関する専門知識は、顧客が業界全体で AI 導入を加速し、より知的で反応性の高いシステムを構築することを導きます。

Nathan Jetson

Nathan は、AWS で Henry Schein One 全体の AWS フットプリントをサポートするテクニカルアカウントマネージャーです。彼は、アーキテクチャレビュー、サービスクォータ活動、および Image Verify の 10,000 箇所以上への急速なスケーリングを支援した go-live 準備サポートを含む、AWS アカウントチームとのエンゲージメントを調整しました。

David Caicedo

David は AWS のストラテジックアカウントエグゼクティブであり、22 年の経験を持ち、そのうち 15 年間はヘルスケアおよびライフサイエンス市場に専念してきました。彼はデジタルヘルスケアの変革における認められたリーダーであり、市場を創出するイノベーションを推進し、優れた結果を達成するための戦略的パートナーシップの構築で知られています。