Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

技術要約：日和見的骨粗鬆症スクリーニングのための生成AI

問題提起
骨粗鬆症は、効果的な治療法が存在し、他の適応症のために腰椎レントゲン写真やコンピュータ断層撮影（CT）スキャンが日常的に取得されているにもかかわらず、診断および治療が著しく不足している。二重エネルギーX線吸収法（DXA）は診断のゴールドスタンダードであるが、日常診療において骨密度（BMD）評価を受ける患者は多くない。医師は脊椎画像から骨の質について直感的な印象を形成するが、先行研究によれば、経験豊富な整形外科医であっても、そのような視覚的評価の正確性は中程度にとどまることが示されている。ディープラーニングアルゴリズムは有望ではあるものの、タスク固有の開発を必要とする。対照的に、マルチモーダル生成人工知能（AI）は、専用のモデル学習なしに医療画像を解釈できる、より広くアクセス可能な代替手段を提供する。しかし、日和見的な骨粗鬆症スクリーニングにおけるこれらのモデルの診断性能、再現性、および「フューショット（few-shot）」プロンプティング（回答を導くための例示ケースの提供）の影響については、まだ十分に理解されていない。

方法論
本画像ベースの比較研究では、45枚の腰椎側面レントゲン写真と45枚の腰椎CT再構成画像のデータセットを用いて、マルチモーダル生成AIの診断性能を医師と比較評価した。

• 参照標準： 骨粗鬆症および低骨量は、WHO DXAのTスコア閾値である−2.5および−1.0を用いて定義した。
• 対象者：
  • 医師： 42名の認定整形外科医および50名の非専門医（先行研究からのデータ）。
  • AIモデル： 3つの公開されているマルチモーダル生成AIシステム：ChatGPT (OpenAI, GPT-5, 2026年1月アクセス)、Claude 4 Opus、およびGemini 3.1 Pro。
• 評価プロトコル：
  • ゼロショット vs. フューショット： AIモデルは、ゼロショット条件（指示のみ）およびフューショット条件（画像、分類、YAM値を含む20件のラベル付き参照ケースを提供）の両方で画像を評価した。
  • 再現性： 各AIモデルは、独立したチャットセッションでデータセット全体を5回評価した。最終的な分類は多数決（5回中3回以上の回答）によって決定された。
  • 人間とAIの組み合わせ： 探索的な事後解析として、専門医の多数決とClaudeの多数決を「OR（または）」ルール（いずれかが陽性であれば陽性）および「AND（かつ）」ルール（両方が陽性の場合のみ陽性）を用いて組み合わせ、相補的な診断エラーを評価した。
• 指標： 主要なアウトカムには、診断精度、感度、特異度、およびモデル内再現性（Cohen's κ）が含まれた。

主な結果

• 診断精度：
  • レントゲンにおける−1.0のTスコア閾値において、Claudeが最高の精度（73.3%）を達成し、次いでGemini（64.4%）、専門医（57.4%）、ChatGPT（55.6%）、非専門医（44.0%）となった。専門医は非専門医よりも有意に優れた成績を示した（P<0.001）。
  • 従来の−2.5の閾値では、レントゲンにおいて専門医と非専門医の間に有意な差は見られなかったが、CT画像においては専門医の方が有意に精度が高かった（P<0.001）。
  • AIモデルは、CT画像の記述的な比較において、専門医と概ね同等の精度を示した。
• プロンプティングの影響：
  • 精度： フューショット・プロンプティングは、医師およびAIモデルのいずれにおいても、診断精度の整合的な向上をもたらさなかった。変化はモデルや条件によって異なり、24.4ポイントの低下から11.1ポイントの上昇まで幅があった。
  • 再現性： フューショット・プロンプティングは、いくつかのモデル、特にClaudeにおいてモデル内の再現性を向上させた（レントゲンにおいてκが0.543から0.855に上昇）。この「一貫性の向上と精度の不変」という解離は、重要な知見であった。
• 人間とAIの相補性：
  • 「OR」ルール（専門医とClaudeを組み合わせる）により、−1.0の閾値におけるレントゲンの感度は66.7%から80.0%へ、CTでは83.3%から90.0%へと上昇したが、特異度は低下した。
  • エラー救済分析により、エラーが部分的に非重複であることが確認された。Claudeは専門医の偽陰性ケースの40〜50%を正しく分類し、一方で専門医もClaudeのエラーの一部を修正した。

主要な貢献

1. 比較性能： 本研究は、選択された生成AIモデルが、日和見的な骨粗鬆症スクリーニングにおいて、腰椎画像を用いて医師と同等、あるいは特定の条件下では医師を上回る診断性能を達成できるという直接的な証拠を提供している。
2. プロンプティングの効果： フューショット・プロンプティングが必ずしも診断精度の向上を保証するものではないが、臨床ワークフローへの統合において極めて重要な因子である「モデル内の再現性（一貫性）」を大幅に高め得ることを示している。
3. 相補性： 人間とAIのエラーは部分的に非重複していることを示す定量的証拠を提示しており、これによって、組み合わせた判断がスクリーニング場面において見落とし（偽陰性）を減らす可能性があることを示唆している。ただし、これは偽陽性の増加という代償を伴う。
4. モデルの変動性： 本研究の結果は、異なる生成AIモデル間で性能と再現性に大幅な差異があることを強調しており、これらが互換性のある診断ツールではないことを示している。

意義および主張
本論文は、生成AIを、日和見的な骨粗鬆症スクリーニングのための自律的なシステムとしてではなく、意思決定支援ツールとして捉えるべきであると結論付けている。著者らは、AIが普遍的に医師を凌駕するわけではないものの、その相補的な診断能力が、正式なBMD評価を必要とする患者の特定に役立ち、診断不足という課題に対処できる可能性があると主張している。

本研究は、生成AIの臨床的価値は、医師の判断とともに臨床ワークフローに統合されることにあると強調している。著者らは、単純な組み合わせルールには感度と特異度のトレードオフが伴うこと、また、見かけ上の相補的効果には独立したコホートでの前向きな検証が必要であることを警告している。さらに、フューショット・プロンプティングによる再現性の向上は、必ずしも診断の妥当性の向上を意味するわけではないことを指摘し、AIの性能を評価する際には、精度と一貫性を別個の次元として評価する必要があると強調している。