【論文解説】AIによる頭蓋ランドマーク自動検出の精度を観察者間のばらつきと比較した2022年の研究｜Torres 2022

書誌情報　Torres HR, Morais P, Fritze A, Burkhardt W, Kaufmann M, Oliveira B, Veloso F, Hahn G, Rüdiger M, Fonseca JC, Vilaça JL. Anthropometric Landmarking for Diagnosis of Cranial Deformities: Validation of an Automatic Approach and Comparison with Intra- and Interobserver Variability. Annals of Biomedical Engineering. 2022;50(9):1022-1037.

この研究は何について調べたの？──頭の形を測る基準点を人手で打つばらつきと自動検出の精度を比べる

赤ちゃんの頭の形を数値で評価するときには、頭表面のいくつかの基準点（解剖学的ランドマーク）から、頭の幅と長さの比を示す「頭蓋指数（cephalic ratio: CR）」や、左右非対称の度合いを示す「頭蓋容量非対称指数（cranial vault asymmetry index: CVAI）」、対称性の総合指標である「Overall Symmetry Ratio（OSR）」などを計算します。従来、これらの基準点は熟練した観察者がノギスや3D画像上で手作業で設定していましたが、誰が打つかによる「観察者間のばらつき」や、同じ人が時間を空けて打ち直すときの「観察者内のばらつき」が避けられず、診断結果に影響する可能性が指摘されてきました。本研究は、3D頭部表面上のランドマークを人工知能で自動検出する新しい手法について、（1）基準点の位置、（2）頭蓋計測値、（3）最終的な頭の形の分類、の3つのレベルで手動検出と比較し、観察者内・観察者間のばらつきとも比べることで、臨床応用に耐える精度かどうかを評価することを目的としています。

どうやって調べたの？──MR画像から作成した166体の3D頭部モデルを4観察者と自動法で比較

ドイツ・ドレスデン工科大学小児病院で2003年2月〜2018年8月に診療目的で撮影された乳幼児・小児のMRI画像のうち、解析に適した166例（男児106例64%、女児60例36%、年齢中央値16ヶ月、3日〜180ヶ月）を後方視的に選びました。MR画像から閾値処理と形態学的処理で頭部表面の3Dモデルを生成し、4名の観察者がそれぞれ独立に手動でランドマークを設定し、そのコンセンサスをグラウンドトゥルース（正解値）として用いました。対象は正常頭19例（12%）、斜頭症15例、短頭症47例、舟状頭40例、斜頭＋短頭35例、斜頭＋舟状頭10例の構成です。評価は3レベルで行いました。レベル1は基準点位置の距離誤差（眼間距離で正規化）、レベル2はCR、CVAI、OSRの計測値の一致度（Bland-Altman 分析、変動係数CV、ICC）、レベル3は頭の形の最終分類（正常／対称的変形／非対称的変形／複合変形）の一致率（一致率%、κ統計量）です。観察者内（同一観察者が時間を空けて2回ラベリング）、観察者間（4観察者）、自動法 vs コンセンサスの3つの比較を実施しました。

何がわかったの？──CR・CVAIで観察者と同等のICC、診断一致率91%とκ値0.89を達成

基準点位置については、自動検出は手動コンセンサスと比較して平均正規化誤差0.03（頭の大きさの約3%）でした。閾値5mm 以内の検出率は85%、10mm 以内では98%でした。頭蓋計測値の一致度については、自動法とコンセンサスのICCは、CR で0.997、CVAI で0.961、OSR で0.771でした。CR と CVAI は観察者間のばらつきと同等で、OSR はやや低い一致度でした。頭の形の最終分類では、自動法とコンセンサスの一致率は91%、κ値は0.89（強い一致）でした。観察者内一致率は86〜93%（κ:0.86〜0.92）、観察者間一致率は同程度の範囲でした。自動法の不一致例の約75%は、診断閾値±1%（CR）または±0.5（CVAI）以内のいわゆる「グレーゾーン」に該当しました。また著者らは、計測平面の位置や角度を±6mm・±5度ずらすだけで、同じ頭でも分類結果が変わりうることを示し、ランドマーク設定の標準化の重要性を強調しています。

これはどんな意味があるの？──臨床現場でのばらつき低減の可能性と現行3Dスキャナとの違い

本研究は、頭蓋形状評価における観察者依存性の問題を定量的に示し、AIによる自動ランドマーク検出が観察者間のばらつきと同等以上の一致度を達成しうることを示した点で、頭蓋計測の標準化に向けた重要なステップになります。臨床現場では、評価のばらつきが治療方針（経過観察か、保存的治療か、ヘルメット治療か）の判断に影響しうるため、自動化による標準化はメリットになりえます。ただし、本研究の対象はMRI 由来の3Dモデルであり、現在臨床で広く使われている3D光学スキャナ（ステレオ写真測量）のデータに対する性能は別途検証が必要です。また、対象年齢の中央値は16ヶ月で生後数ヶ月の乳児が中心ではなく、月齢の若い赤ちゃんでの精度は本研究からは直接結論できません。MRI 撮影には鎮静が必要な場合もあり、診断目的でMRIを撮ること自体は標準ではない点にも注意が必要です。頭蓋形状計測の自動化に関する研究は、3D写真測量と深層学習を組み合わせた de Jong ら（2020）や統計形状モデルを用いた Schaufelberger ら（2022）など、近年盛んに行われており、本研究はその一翼を担っています。

書誌情報

著者: Torres HR, Morais P, Fritze A, Burkhardt W, Kaufmann M, Oliveira B, Veloso F, Hahn G, Rüdiger M, Fonseca JC, Vilaça JL

所属: 2Ai – School of Technology, IPCA, Barcelos; Algoritmi Center, School of Engineering, University of Minho, Portugal; Department for Neonatology and Pediatric Intensive Care, Children's Hospital, Medical Faculty of TU Dresden; Institute for Radiological Diagnostics, Universitätsklinikum Carl Gustav Carus Dresden, Germany

ジャーナル: Annals of Biomedical Engineering. 2022;50(9):1022-1037

発表年: 2022年9月

DOI: 10.1007/s10439-022-02981-6

原論文URL: https://link.springer.com/article/10.1007/s10439-022-02981-6（閲覧には購読またはジャーナルサイトでの検索が必要です）

本記事について

本記事は医学論文の内容を中立的に要約・紹介することを目的としており、特定の医療機器・治療法の効果効能を保証または推奨するものではありません。記載されている治療成績・数値は、当該研究で使用された特定のデバイス・プロトコル・対象集団に関するものであり、他の製品や治療に適用されるものではありません。本記事の内容を医療判断に用いる場合は、必ず医療機関にご相談ください。

翻訳・要約の正確性には努めていますが、原論文の内容を正確に理解するためには原典をご参照ください。

利益相反開示

本サイトを運営する株式会社Berryは頭蓋形状矯正ヘルメットを製造販売していますが、本学術論文カテゴリ（/research/）は製品プロモーションを目的とするものではなく、頭の形に関する科学的知見を中立的に紹介することを目的としています。取り上げる論文の選定は、ヘルメット治療への肯定・否定にかかわらず、医学的・社会的意義に基づいて行っています。

著作権について

原論文の著作権は各著者および掲載ジャーナル（Biomedical Engineering Society / Springer Nature）に帰属します。本記事は著作権法上の引用の要件を満たす範囲で原論文の内容を要約・紹介しています。原論文の図表は転載していません。

※本記事は原著論文を当編集部が翻訳・要約したものです。翻訳・要約の過程では生成AIを補助的に利用しており、専門用語の訳出や解釈に誤りが含まれる可能性があります。学術的な引用や臨床判断の際は、必ず原著論文をご参照ください。