男性不妊の診療は、扱う情報量が非常に多い領域です。精液検査の各種パラメータ、ホルモン値、超音波所見、遺伝学的検査結果、パートナー側の因子、これまでの治療歴、そして患者本人の希望まで、考慮すべき情報は多岐にわたります。近年、この領域に人工知能(AI)を活用する動きが広がっており、精液画像の解析、精子回収の予測、精子選別の支援、体外受精のワークフロー支援など、応用範囲は着実に広がりつつあります。
一方で、「AIを導入するかどうか」は、すでに議論の中心ではなくなりつつあります。むしろ問われているのは、男性不妊診療の質を支えてきた標準化された手順を損なうことなく、AIをどのように取り入れるかという点です。この課題を整理し、実装のための現実的な道筋を提案した論文が、Andrology誌(2026年)に掲載されました(doi:10.1111/andr.70334)。
この論文は、精液検査という診療の基盤を起点に、外部検証を経た予測ツール、そして患者と医師がともに判断する「共有意思決定」へと段階的にAIを組み込んでいくための、5つの原則と4段階のロードマップを提示しています。
精液検査を置き換えるのではなく、支えるためのAI
第一の原則として挙げられているのは、精液検査を「イノベーションの犠牲」にしないという考え方です。WHO精液検査マニュアル第6版は、標準化された検査手法、精度管理、検査間の比較可能性を重視しています。精子の画像や動画をもとに学習したAIツールは、精子濃度、運動率、形態の評価を支援できますが、検体の取り扱いが不適切であったり、機器の校正が不十分であったり、報告の記載が曖昧であったりする問題そのものを補うことはできません。入力データの質が一貫していなければ、AIはその不一貫性をそのまま拡大してしまいます。
そのため、男性不妊領域でのAI検証は、禁欲期間の定義、処理時間の記録、精度管理の手順、検査担当者の訓練、そして臨床医と患者の双方に理解できる報告様式といった、検査前・検査時の質を整えることから始める必要があるとされています。ヨーロッパ泌尿器科学会(EAU)の最新ガイドラインも、精液パラメータを単独の数値としてではなく、より広い泌尿器科的・生殖医療的評価の一部として位置づけています。
判断根拠を「見える化」する──説明可能性という考え方
第二の原則は、説明可能性(explainable AI)です。モデルの挙動を臨床医、検査技師、患者にとって解釈可能にする手法として、どの変数が予測に最も影響したかを示す「特徴量重要度」、個々の予測に対する各変数の寄与を推定する「SHAP」、複雑なモデルの挙動を個別症例のまわりで近似する「LIME」、画像のどの領域が判断に寄与したかを示す「サリエンシーマップ」といった手法が紹介されています。
こうした手法を用いれば、精子回収の予測が卵胞刺激ホルモン値や精巣容積、過去の組織所見、遺伝学的所見のどれに基づいているのか、あるいは画像ベースの精液解析ツールが精子頭部や尾部、デブリ、アーチファクトのどこに注目しているのかを確認できます。ただし、こうした説明はモデルの正しさを証明するものではなく、あくまで不自然な推論を検出し、臨床医によるレビューを支援し、カウンセリングの透明性を高めるための手がかりとして位置づけられています。
「当たる」だけでは足りない──臨床現場に組み込むための条件
第三の原則は、臨床現場への統合です。男性不妊の診療では、精索静脈瘤手術、薬物療法、精子回収術、子宮内人工授精、顕微授精、非配偶者間生殖医療のカウンセリングなど、感情的にも経済的にも負担の大きい選択肢が並びます。こうした場面では、確率だけを示すブラックボックス型のAIでは不十分だと指摘されています。
臨床的に有用なAI出力には、想定している対象集団、入力変数、不確実性の程度、禁忌となる条件、判断の閾値が明示されている必要があります。さらに、開発時のデータ集団と異なる患者や、検査手法が訓練データと大きく異なる施設では、その結果を用いるべきでない場面も明確にしておく必要があるとされています。
誰がAIを監督するのか──ガバナンスと規制の枠組み
第四の原則はガバナンスです。診断、予後予測、トリアージ、治療選択に関わるAIは、管轄によっては医療機器ソフトウェア(SaMD)や関連する臨床意思決定支援の規制対象となり得ます。臨床試験報告のためのCONSORT-AI、試験プロトコルのためのSPIRIT-AI、予測モデル研究のためのTRIPOD+AI、そしてリスク管理・バージョン管理・人による監督・市販後モニタリングに関する医療機器の要件など、開発と評価を既存の報告・規制枠組みに沿わせることが求められています。欧州では、医療目的で用いられるAIソフトウェアがEU AI Actのもとで高リスクに分類されうることも指摘されており、データの質、透明性、リスク低減、人による監督に関する要件を満たす必要があるとされています。
こうしたガバナンスがなければ、モデルがいつ更新されたのか、どのようなデータで訓練されたのか、欠損データがどう扱われているのか、年齢や民族的背景、地域、禁欲期間、精液所見によって性能が変わらないかといった点が不透明なままになり、アルゴリズムへの過信がバイアスを覆い隠しかねません。男性不妊は社会的なスティグマからすでに受診が遅れがちな領域であり、開発時とは異なる集団に基づく推奨がそのまま適用されれば、格差を広げるおそれがあると警鐘が鳴らされています。
生殖医療データの繊細さと、公平性という課題
第五の原則は、プライバシーと公平性です。生殖医療に関するデータは、不妊の診断、性生活や生殖に関する既往、遺伝学的リスク、内分泌の状態、治療の選択といった機微な情報を含んでいます。AIのパイプラインには、識別可能な情報を最小限にとどめること、データへのアクセスを適法な範囲に限定すること、同意やガバナンスの手続きを文書化すること、画像や検査のメタデータを保護することが求められます。
バイアスの問題も同様に重要です。単一の施設、単一の機器、限られた民族的・地理的・社会経済的背景の集団で訓練されたモデルは、他の環境にそのまま一般化できるとは限りません。そのため、性能はあらかじめ意味のある部分集団ごとに報告され、実際の導入先でも再検証される必要があるとされています。
精液検査の質の担保から、共有意思決定へ──4段階のロードマップ
これら5つの原則をふまえ、実装のための4段階のロードマップが提案されています。第1段階は、WHOに準拠した検査室の質の支援であり、標準化された評価、アーチファクトの検出、施設内での精度管理モニタリングが含まれます。第2段階は、外部検証を経た予測ツールの評価であり、キャリブレーションと不確実性の定量化、部分集団ごとの性能検証が求められます。第3段階は、説明可能な出力を共有意思決定に組み込む段階であり、患者を中心としたカウンセリングと臨床医によるレビューが軸になります。第4段階は、プライバシー保護、バイアスのモニタリング、規制との整合性を含むガバナンスと監査です。
各段階には、患者向けの説明、臨床医による最終判断の余地、導入後の前向きなモニタリング、そして良好な結果だけでなく否定的な結果の公表も含まれるべきだとされています。
近い将来、実装が見込まれる3つの応用
慎重に導入すれば近い将来に有望とみられる応用例も挙げられています。第一は、精液画像解析によるAI支援です。境界域にある運動率の推定にフラグを立てたり、アーチファクトの可能性を検出したり、画質の低い視野の見直しを促したりすることで、検査の一貫性を高めうるとされていますが、検査室での人による監督は維持される前提です。
第二は、非閉塞性無精子症における精子回収の予測モデルであり、変数の寄与を透明にしたうえで外部検証を経ていれば、臨床医の判断に代わるのではなく、カウンセリングを支える形で活用できる可能性があるとされています。第三は、体外受精のワークフローにおける精子選別や胚培養室での意思決定支援ですが、この応用については、臨床的なエンドポイントの設定、データセットの偏りへの配慮、患者中心の説明がとくに重要だと述べられています。
日本の生殖医療現場にとっての意味
日本の生殖医療の現場でも、精液検査へのAI活用や、体外受精・顕微授精における精子選別支援への関心は徐々に高まりつつあります。今回示された枠組みは、こうした技術を導入する際に、まず検査の標準化と精度管理を土台に据え、外部検証を経ていない段階でモデルを臨床判断に直結させないという順序を意識するうえで参考になります。
とくに、男性不妊は日本国内でも受診や検査が後回しにされやすい領域であり、限られた集団で開発されたモデルがそのまま適用された場合の格差拡大への懸念は、国内の議論にも共通する論点です。AIの導入を検討する施設や臨床医にとっては、モデルがどの集団で開発され、どの範囲で検証されているかを確認したうえで、患者への説明とカウンセリングに組み込んでいく姿勢が求められると考えられます。
研究の強みと限界
本稿の意義は、男性不妊領域に散在するAI関連の議論を、精液検査の質、説明可能性、臨床統合、ガバナンス、プライバシーと公平性という5つの原則に整理し、4段階の実装ロードマップとして提示した点にあります。
一方で、限界もあります。本稿は新たなデータを収集・解析したものではなく、単著による専門的見解(Perspective)であり、系統的レビューのような網羅的な文献検索の手続きを経たものではありません。また、提案されている原則やロードマップ自体は、今後、実際の臨床導入を通じた前向きな検証が必要な段階にとどまっています。
おわりに
今回の論文は、男性不妊診療におけるAIの臨床的価値が、アルゴリズムの目新しさよりも、説明可能性、ガバナンス、そして既存のアンドロロジー診療への安全な統合によって左右されるという立場を示しています。AIが精液検査、泌尿器科的評価、患者中心のカウンセリングを「置き換える」のではなく「支える」ものとして位置づけられ、透明性のある報告と現場ごとの検証を伴って導入されれば、診療のばらつきを減らし、意思決定の質を高める可能性があるとされています。逆に、こうした基盤を欠いたまま拙速に導入されれば、男性患者と臨床医、そして意味のある生殖医療とのあいだに、新たな不透明な層を生み出しかねないとも指摘されています。
参考文献
1. Škudar S. “Explainable AI in Male Infertility: A Clinical Roadmap for Shared Decision-Making.” Andrology 2026;0:1-3. doi:10.1111/andr.70334.
2. Naik N, Roth B, Lundy SD. “Artificial Intelligence for Clinical Management of Male Infertility, a Scoping Review.” Current Urology Reports 2024;26(1):17. doi:10.1007/s11934-024-01239-z.
3. Qaderi K, Sharifipour F, Dabir M, et al. “Artificial Intelligence (AI) Approaches to Male Infertility in IVF: A Mapping Review.” European Journal of Medical Research 2025;30:246. doi:10.1186/s40001-025-02479-6.
4. World Health Organization. WHO Laboratory Manual for the Examination and Processing of Human Semen, 6th ed. World Health Organization, 2021.
5. Minhas S, Boeri L, Capogrosso P, et al. “European Association of Urology Guidelines on Male Sexual and Reproductive Health: 2025 Update on Male Infertility.” European Urology 2025;87(5):601-616. doi:10.1016/j.eururo.2025.02.026.
6. Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK, SPIRIT-AI and CONSORT-AI Working Group. “Reporting Guidelines for Clinical Trial Reports for Interventions Involving Artificial Intelligence: The CONSORT-AI Extension.” Nature Medicine 2020;26:1364-1374. doi:10.1038/s41591-020-1034-x.
7. Cruz Rivera S, Liu X, Chan AW, et al. “Guidelines for Clinical Trial Protocols for Interventions Involving Artificial Intelligence: The SPIRIT-AI Extension.” Nature Medicine 2020;26:1351-1363. doi:10.1038/s41591-020-1037-7.
8. Collins GS, Dhiman P, Andaur Navarro CL, et al. “TRIPOD+AI Statement: Updated Guidance for Reporting Clinical Prediction Models That Use Regression or Machine Learning Methods.” BMJ 2024;385:e078378. doi:10.1136/bmj-2023-078378.
9. U.S. Food and Drug Administration, Health Canada, Medicines and Healthcare Products Regulatory Agency. “Good Machine Learning Practice for Medical Device Development: Guiding Principles.” U.S. FDA, accessed July 11, 2026.
10. European Commission. “Artificial Intelligence in Healthcare.” European Commission, accessed July 11, 2026.