頸椎成熟段階システムの定量的および定性的評価のための深層学習アプローチ
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Deep learning approaches for quantitative and qualitative assessment of cervical vertebral maturation staging systems
雑誌名：PLoS One. 2025; 20(5): e0323776. doi: 10.1371/journal.pone.0323776. Epub 2025 May 20.
概 要：
本研究は、頸椎成熟（CVM）段階の評価における人工知能（AI）の可能性を探ることを目的とし、AIに基づく定性的CVM法と定量的QCVM法を開発・比較しました。6つの医療センターから得た3,600枚の側面頭部X線画像を、訓練、検証、テストセットに8:1:1の比率で分割しました。QCVMアプローチは、13の頸椎ランドマークからの測定に基づいて画像を6段階（QCVM I-IV）に分類し、定性的手法は3つの頸椎の形態評価を通じて6段階（CS1-CS6）を特定しました。統計解析により、手法の性能を評価しました。
方 法：
本研究は、3,600枚の側面頭部X線画像を用いたコホート研究です。画像は、訓練、検証、テストセットに8:1:1の比率で分割され、QCVM法は13の頸椎ランドマークからの測定に基づいて画像を6段階に分類しました。主要評価指標には、ピアソン相関係数、平均二乗誤差（MSE）、成功検出率（SDR）、精度-再現率指標、F1スコアが含まれます。
結 果：
AIモデルは、ランドマーク予測において97.14%の成功検出率（誤差閾値≤1.0mm）を達成し、13のランドマークにおける平均予測誤差は0.17から0.55mmの範囲でした。頸椎測定は、矯正歯科医との間でピアソン相関係数0.98、MSE 0.004を示し、CVM法の全体的な分類精度は71.11%、QCVM法は78.33%でした。
結 論：
AIに基づく定量的QCVM法は、定性的CVMアプローチに比べて高い合意率と分類精度を示し、矯正歯科医にとって頸椎成熟段階の評価を向上させる強力なツールとなる可能性があります。