日本歯周病学会会誌
Online ISSN : 1880-408X
Print ISSN : 0385-0110
ISSN-L : 0385-0110
原著
パノラマエックス線画像における根分岐部病変を自動検出するAIモデルの開発
田島 聖士, 園田 央亙, 小林 誉
著者情報
キーワード: パノラマエックス線画像, 根分岐部病変, 深層学習, 人工知能, 医療の標準化
ジャーナル フリー HTML

2021 年 63 巻 3 号 p. 119-128

詳細
PDFをダウンロード (842K)
メタデータをダウンロード RIS形式

(EndNote、Reference Manager、ProCite、RefWorksとの互換性あり)

BIB TEX形式

(BibDesk、LaTeXとの互換性あり)

テキスト
メタデータのダウンロード方法
発行機関連絡先
要旨

AI（Artificial Intelligence）を用いたダブルチェックを行うことが医療の標準化に寄与できるとされている。歯科および口腔外科診療において日常的に撮影されるパノラマエックス線画像は，顎口腔領域の状態を把握できる標準化された画像である。今回われわれはパノラマエックス線画像を用いた根分岐部病変を検出するAIシステムを開発したので報告する。

教師用データとして，根分岐部病変を認めるパノラマエックス線画像10,640枚を用い，深層学習アルゴリズムの転移学習により，根分岐部病変を自動検出するDCNN（Deep Convolutional Neural Network）を構築した。評価用データとして下顎大臼歯に根分岐部病変の所見が認められるパノラマエックス線画像170枚を用いた。正答率，感度，特異度，適合率，再現率，F値を評価した。結果は，正答率は96.4％，感度は95.6％，特異度は97.1％，適合率は96.3％，再現率は95.6％，F値は0.96であった。

パノラマエックス線画像を用いたDCNNの深層学習により根分岐部病変を検出するAIシステムは，歯科医療従事者および患者にも有益なものと考えられる。

緒言

人工知能（Artificial Intelligence：AI）やディープラーニングは，ここ数年活発に研究されており，開発されたアルゴリズムは自動的に特定の情報を抽出することができ，人間の作業負荷を大幅に軽減できる。そのため，この技術は産業における構造変化をもたらしている。

医療分野でもその技術が応用されており，CAD（Computer Aided Diagnosis，コンピューター支援診断）システム，AI，機械学習，ディープラーニングを用いてさまざまな画像診断等において開発とその臨床応用が広まっている1-5)。

AIは人工知能の略で，学習・推論・判断の機能を備えたコンピューターシステムの総称である。機械学習はAIの一つで，データから物事の特徴パターンを発見し識別や予測を行い，データセットの学習とアルゴリズム調整によりパフォーマンスを向上させるシステムである6)。ニューラルネットワークは脳神経構造を模倣した作りで，畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）はネットワークの階層を多層構造化し，さらに階層を深くしたものが深い畳み込みニューラルネットワーク（Deep Convolutional Neural Network：DCNN）であり，画像認識ではDCNNが頻繁に用いられている。

医用画像解析には，胸部エックス線画像で結核の検出をするAI7,8)，肺炎，胸水，肺腫瘤，結節等の14の所見を検出するAI9)，CT画像を用いて肺結節を検出するAI10,11)等が報告されている。内視鏡画像領域では，胃がんを自動検出するAI12)や結腸直腸病変を検出するAI13)がある。その他には，病理組織画像で乳がんを検出するAI14,15)，写真で皮膚がんを検出するAI16)，眼底3次元画像解析（Optical Coherence Tomography：OCT）検査画像で網膜疾患を検出するAI17-19)の報告がある。

歯科パノラマエックス線画像を用いたDCNNには，歯の検出と番号付けのAI20-24)，歯科修復物の検出と分類のAI25)，歯根破折を検出するAI26)，下顎第一大臼歯の歯根形態を評価するAI27)，下顎智歯と下顎管を検出するAI28,29)，上顎洞炎を検出するAI30)，下顎皮質骨による骨粗鬆症を評価するAI31)，アテローム性動脈硬化症の頸動脈プラーク（Atherosclerosis Carotid Plaque：ACP）を検出するAI32)，智歯による年齢推定のAI研究33)の報告がある。

エックス線の読影は歯科医師の経験等により差が出ることがあり，AIをダブルチェックという位置づけでスクリーニング的な使用することにより，医療の標準化が期待でき医療従事者および患者にも有益になると考えられる。本報告では，パノラマエックス線画像において根分岐部病変を自動検出するAIモデルを開発したので報告する。

対象・方法

1． 対象

本研究で使用したデジタルパノラマエックス線画像は，AOI国際病院（神奈川県川崎市），王子リボン歯科・矯正歯科（東京都北区），岡村デンタルクリニック（東京都千代田区），かずデンタルクリニック（大阪府大阪市淀川区），銀座矯正歯科（東京都中央区），志田歯科医院（神奈川県横浜市都筑区），新宿西口歯科医院（東京都新宿区），シンデンタルオフィス（東京都新宿区），すずしろ歯科（東京都練馬区），スマイル歯科クリニック（長野県安曇野市），関原デンタルオフィス（神奈川県川崎市），竹島歯科医院（東京都八王子市），鶴山歯科クリニック（神奈川県相模原市），中村歯科医院（東京都江東区），曳舟デンタルクリニック（東京都墨田区），プラム四谷歯科クリニック（東京都新宿区），山口よしのぶ歯科医院（東京都台東区），ゆずる葉歯科（東京都世田谷区），りもあ歯科（東京都葛飾区）で撮影された画像を用いた。

デジタルパノラマエックス線画像の取り出し方法は過去の報告21)を参考にし，患者情報の保護のためパノラマエックス線画像以外の患者情報（年齢，性別，患者番号，画像撮影時間等）の抽出は一切行わず，データの取り扱いに関しては，個人情報保護委員会のガイドライン，匿名加工情報の取り扱いに遵守した。

教師用データ作成，アノテーション作業の方法はKwonらの報告34)を参考にし，上記19の病院から取得したパノラマエックス線画像を15年以上の臨床経験を有する歯科医師2名が読影処理を行い，2名の歯科医師がともに下顎大臼歯に根分岐部病変を認めると判断した画像702枚を対象画像として用いた。対象画像702枚のうち，教師用画像532枚と評価用画像170枚はランダムに振り分けた。

研究概要は図1のとおりであり，本研究はヘルシンキ宣言に準拠し，AOI国際病院倫理審査委員会（2018年3月9日，承認番号：2018004）の承認を得て実施した。なお，本研究は日常診療の中で既に取得されたデータに基づいた後ろ向き研究であるために，ホームページで情報公開を行い，研究対象者からの同意取得はオプトアウトにより行った。

図1

本研究の概要

根分岐部病変を認めるパノラマエックス線画像702枚のうち，532枚にアノテーション処理を行った後，20倍にデータ拡張を行い，計10,640枚を教師用データとして用いた。教師用データを学習：検証が85：15になるようにデータセットを調整後，ディープラーニングを実行し，YOLOv3 を用いたDCNNを構築して，本AIシステムを作成した。根分岐部病変を認める170枚を評価用データとして，正答率，感度，特異度，適合率，再現率，F値を評価した。

2． データ処理およびAI構築

パノラマエックス線画像702枚のうち532枚に対して，歯科医師が下顎大臼歯根分岐部病変の関心領域（Region of Interest：ROI）にアノテーション処理を行った。その後，画像の回転・反転・移動・トリミング等を実施し20倍にデータ拡張を行い，計10,640枚を教師用データとした。

下顎大臼歯根分岐部病変の座標を含むラベルは，画像データの各項目に対してテキスト形式で作成した。上顎大臼歯部の根分岐部病変は除外とした。

本研究のディープラーニングには，深層学習の一つであるYOLO（You Only Look Once）v3を用いた。ハードウェア環境はCPU：Core i9-9900K，12core，3.6 GHz，メモリー：64 GB，GPU：GeForceRTX2080Tiで，ソフトウェア環境はOS：Ubuntu18.04，フレームワークはCUDA，CuDNN，darknet，プログラミング言語はPythonを用いた。

ディープラーニングのパラメータとして，学習率は0.001，教師用データのうち学習：検証を85：15になるようにデータセットを調整し，パノラマエックス線画像における根分岐部病変を自動検出するDCNNを構築し，本AIシステムを作成した。

本研究に用いたAIと診断支援システムは，2021年1月27日に特許を取得し登録している技術を使用した（名称：歯科分析システムおよび歯科分析X線システム，出願番号：特願2018-107011，特許出願日：2018年6月4日，特許出願人：田島聖士，医療法人社団葵会）。

3． 評価方法

下顎大臼歯に根分岐部病変を認める170枚のパノラマエックス線画像を用いて，評価手法は過去の報告34,35)を参考にし，全体の正答率，感度，特異度，適合率，再現率，F値の評価を行った。

また，下顎第一大臼歯，第二大臼歯の歯種別での正答率，感度，特異度，適合率，再現率の評価を行い，歯種間の比較に関しては統計分析を行った。統計分析にはFisherの正確検定を用い，統計ソフトはSAS ver.9.4（SAS institute Inc，Cary，NC，USA）を使用した。

結果

本システムを用いて検出判定するのに要した時間は0.018秒/枚であり，結果は真陽性261部位，偽陰性12部位，偽陽性10部位，真陰性335部位で，正答率96.4％，感度95.6％，特異度97.1％，適合率96.3％，再現率95.6％，F値0.96であった。

図2の4症例のように，下顎大臼歯の根分岐部に認められる透過像が認識でき，その大きさも大きい透過像から小さい透過像まで検出が可能となっている。さらに，歯内―歯周疾患を伴う根分岐部病変（図3a, 3b），根分岐部周囲にう蝕が認められる症例（図3c），ヘミセクション後に補綴している症例（図3d）の検出も可能であった。AIが根分岐部病変と認識した部位は紫色の四角枠で表示し，紫色のバー内文字は根分岐部病変を認識したことをAIの確信度とともに表示している。

偽陰性となった症例は12例あり，その内訳は根分岐部病変が小さいものが7例（代表例：図4a），歯内―歯周疾患を伴う根分岐部病変が2例（代表例：図4b），根分岐部周囲にう蝕が認められるものが2例（代表例：図4c），歯根破折しているものが1例（図4d）であった。

偽陽性となった症例は10例（代表例：図5a-d）あり，その全ては根分岐部の歯根膜腔拡大部を陽性と判定した症例で正確な検出ができなかった。

下顎第一大臼歯，第二大臼歯の歯種別での結果（表1）は，それぞれ正答率は93.8％，98.4％，感度は95.0％，96.8％，特異度は91.1％，98.9％，適合率は96.0％，96.8％，再現率は95.0％，96.8％であった。2歯種間の比較に関しては統計分析を行い，正答率と特異度に関しては，第二大臼歯の方が有意に高い結果となった（Fisherの正確検定，p＜0.05）。

図2

本自動検出AIの結果1

検出AIの結果は，真陽性261部位，偽陰性12部位，偽陽性10部位，真陰性335部位で，正答率96.4%，感度95.6%，特異度97.1%，適合率96.3%，再現率95.6%，F値0.96であった。下顎大臼歯の根分岐部に認められる透過像が認識でき，その大きさも大きい透過像から小さい透過像まで検出が可能となっている。AIが根分岐部病変と認識した部位は紫色の四角枠で表示し，紫色のバー内文字は根分岐部病変を認識したことをAIの確信度とともに表示している。

図3

本自動検出AIの結果2

本自動検出AIシステムでは，歯内―歯周疾患を伴う根分岐部病変（図3a，図3b），根分岐部周囲にう蝕が認められる症例（図3c），ヘミセクション後に補綴している症例（図3d）の検出も可能となっている。AIが根分岐部病変と認識した部位は紫色の四角枠で表示し，紫色のバー内文字は根分岐部病変を認識したことをAIの確信度とともに表示している。

図4

偽陰性を示した症例の代表的な4例

偽陰性となった症例12例の内訳は，根分岐部病変が小さいものが7例（代表例：図4a），歯内―歯周疾患を伴う根分岐部病変が2例（代表例：図4b），根分岐部周囲にう蝕が認められるものが2例（代表例：図4c），歯根破折しているものが1例（図4d）であった。典型的ではない症例（透過像）の学習ができていないため，正確に検出できなかったと考えられる。AIが根分岐部病変と認識した部位は紫色の四角枠で表示し，紫色のバー内文字は根分岐部病変を認識したことをAIの確信度とともに表示している。また，AIが偽陰性を示した部位は赤色の点線丸枠を付与した。

図5

偽陽性を示した症例の代表的な4例

偽陽性となった症例は10例（代表例：図5a-d）で，その全ては根分岐部の歯根膜腔拡大部を陽性と判定した症例で正確な検出ができなかった。この原因は学習データの不足とDCNNのシステムによるものと考えられる。AIが根分岐部病変と認識した部位は紫色の四角枠で表示し，紫色のバー内文字は根分岐部病変を認識したことをAIの確信度とともに表示している。また，AIが偽陽性を示した部位は赤色の点線丸枠を付与した。

表1

下顎大臼歯の歯種別結果

下顎第一大臼歯，第二大臼歯の歯種別での結果は，それぞれ正答率は93.8%，98.4%，感度は95.0%，96.8%，特異度は91.1%，98.9%，適合率は96.0%，96.8%，再現率は95.0%，96.8%であった。2歯種間の比較に関しては統計分析を行い，正答率と特異度に関しては，第二大臼歯の方が有意に高い結果となった（Fisherの正確検定，p＜0.05）。

考察

AIの研究は，John McCarthyが1956年に人間のように考える機械を「AI」と定義したことから始まる。医療分野においては，1960年にLedleyらがコンピューターによる画像解析の必要性やエックス線画像における自動分類の提案が初めてである36)。

ディープラーニングを行うDCNNは，これまでにAlexNet，VGG，GoogLeNet，LesNet，R-CNN（Regions with CNN），Fast R-CNN（Fast Regions with CNN），Faster R-CNN（Faster Regions with CNN），Mask R-CNN（Mask Regions with CNN），YOLO，U-Net等が開発されてきた。

DCNNは局所的な位置普遍性や情報の抽象化をもたせた順伝播型ニューラルネットワークで，医用画像における病変検出も可能であり，パラメータ調整と適切なモデル選択は医療AI開発によって重要である37,38)。今回われわれが用いたYOLOは，Single-Stage法の検出器で画像全体を一度のみ確認して分類と回帰を行う構造で，速度が速くリアルタイム検出ができる。YOLOを用いて病変検出等を行う医療AIの報告もみられる24,35)。歯科および歯科口腔外科領域においてもAI開発が行われており，エックス線画像を用いたDCNNに関する36の論文をまとめたレビュー論文も報告39)されている。

歯科において一般的に広く使用されている標準的なエックス線検査であるパノラマエックス線撮影は，CBCTと比較して低い線量の放射線（14.2～24.3 μSv）で，歯列を含む顎口腔領域のほとんどの構造を評価できる40-46)。しかし，断層撮影であるパノラマエックス線撮影は対象の周りを回転するため，解剖学的構造の投影による重なりやノイズは避けられず47,48)，歯科医師の主観的な読影の傾向が出ることがあり49)，個人の知識，スキル，経験等によって評価のばらつきが出るとされている50-52)。

本研究で対象にした根分岐部病変は，複根歯の歯槽中隔部における損傷でプラークを原因とした歯周病変のこと53)で，分類には，Glickman分類54)，Lindhe＆Nyman分類55)などがあり，根分岐部病変の治療については，日本歯周病学会から発刊されている歯周治療の指針201556)がある。

本研究はYOLOv3のDCNNを用いて，パノラマエックス線画像の下顎大臼歯根分岐部病変に関するディープラーニングを行い，根分岐部病変を自動検出するAIシステムの開発を行った。われわれが渉猟し得た限りでは，これまでにエックス線画像を用いて根分岐部病変を自動検出するAIの報告はされていない。本研究の結果は正答率96.4％，感度95.6％，特異度97.1％であった。正答率，感度（再現率），特異度ともに高い結果を得ることができ，この要因は統一されたアノテーションによる精度の高い教師データの使用，YOLOv3の調整，ディープラーニングパラメータ（学習率等）調整が考えられる。

本研究において，偽陰性は12例あり，根分岐部病変の小さいものが7例，歯内―歯周疾患を伴う根分岐部病変が2例，根分岐部周囲にう蝕が認められるものが2例，歯根破折しているものが1例であった。これらは典型的ではない根分岐部病変の透過像のため，学習できておらず正確に検出できなかったと考えられる。一方，偽陽性を示したケースは，全て根分岐部周辺の歯根膜腔の拡大部を陽性と判定したケースであり，これらの原因は学習データの不足とDCNNの学習システムによるものと考えられる。精度の高い医用エックス線AIの過去の論文では，約10万枚の教師用画像を使用していること9)，DCNNの学習システムの違い57,58)によりAIの精度が大きく異なることが報告されている。

下顎大臼歯の歯種別の比較では，正答率と特異度に関して第二大臼歯の方が有意に高い結果であった。この結果は，第一大臼歯は萌出年齢が早い，ルートトランクが短い，歯根離開している等の理由により，歯内―歯周疾患の発生，根分岐部周囲のう蝕，歯根破折等が起こりやすいためと考えられるが，今後はさらに検証データを増やして詳細な解析を行っていく必要がある。

本研究では上顎大臼歯部の根分岐部病変は除外項目とした。その理由は，上顎大臼歯は歯根が3根あることにより，根分岐部の透過像の写り方（濃度）に差が出るため，AIによる判定が難しくなり現在のところ診断精度が上がっていないためである。今後はこの問題解消のために，CT画像を用いた研究等を予定しており，根分岐部病変を同定する本システムの精度を高めていく予定である。

本AIシステムの目的は，主に一般の歯科医院でスクリーニングとして，パノラマエックス線画像のAI診断支援をすることにより，根分岐部病変を早期に検出し治療に繋げることである。この目的の達成には，本システムの方法および結果は，今後の臨床診断において有益な一助になると考えられる。

これまで医用画像は専門家による分析を必要とするため，不可侵分野とされてきた。近年のDCNNの目覚ましい発展により，ディープラーニングは各専門家を超える効率的な結果16,19)を示し，人間のスピードを超えて正確に画像分析することも報告されている12)。そのため，DCNNは医用画像の評価に有望なパフォーマンスを示すことから実装段階に移行している。

歯科や歯科口腔外科領域への応用も効率的であるとの報告があり59)，高速なパフォーマンスと高い感度と精度のため臨床的展望が期待できる23)。医療AIはオンラインでの応用もでき，それにより遠隔地や発展途上国での遠隔医療に貢献できると考えられる。今後はAIのメリットや課題を十分に考えた上で，医療および歯科医療分野に導入していくことが重要と考えられる。

結語

本報告では，われわれはパノラマエックス線画像を用いたDCNNの深層学習により，根分岐部病変を自動検出するAIシステムの開発および構築を行い，一定の成果を得ることができた。自動検出AIの精度向上には，更なるデータとAIシステムの改善が必要である。今後，臨床において診断支援に寄与できる自動検出AIシステムの開発を継続していく予定である。

本論文の要旨は第63回春季日本歯周病学会学術大会（2020年7月，オンライン開催）において発表した。

謝辞

本研究にご協力およびご助言を頂きました王子リボン歯科・矯正歯科（東京都北区）の金子正明先生，大森正義先生，岡村デンタルクリニック（東京都千代田区）の岡村立国先生，かずデンタルクリニック（大阪府大阪市淀川区）の濱田和恭先生，銀座矯正歯科（東京都中央区）の深沢真一先生，中嶋亮先生，志田歯科医院（神奈川県横浜市都筑区）の志田耕一郎先生，新宿西口歯科医院（東京都新宿区）の松成淳一先生，安倍稔隆先生，シンデンタルオフィス（東京都新宿区）の栗林進一先生，すずしろ歯科（東京都練馬区）の山本拓先生，スマイル歯科クリニック（長野県安曇野市）の伊藤允人先生，関原デンタルオフィス（神奈川県川崎市）の関原賢治先生，石橋真乃介先生，竹島歯科医院（東京都八王子市）の竹島明道先生，鶴山歯科クリニック（神奈川県相模原市）の鶴山光太郎先生，中村歯科医院（東京都江東区）の中村雅之先生，曳舟デンタルクリニック（東京都墨田区）の金東淳先生，プラム四谷歯科クリニック（東京都新宿区）の李昌弘先生，山口よしのぶ歯科医院（東京都台東区）の山口宜伸先生，ゆずる葉歯科（東京都世田谷区）の濱健太郎先生，りもあ歯科（東京都葛飾区）の豊田亮先生に深く感謝申し上げます。

今回の論文に関連して，開示すべき利益相反状態はありません。

References
 
© 2021 特定非営利活動法人　日本歯周病学会
feedback
 Top