Deep Learning-Based Sex Classification and Chronological Age-Group Estimation from Knee Radiographs Using a Multi-Task Framework with Rank-Fusion and Tri-Loss Learning

法医学や臨床診断の世界において、正体不明の人物を特定することは、しばしば「その人は誰であったか？」という単純な問いから始まります。最も基本的な答えとなる二つの要素は、生物学的な性別と年齢です。何十年もの間、専門家は骨格から、その体がどのように構築され、時間の経過とともにどのように変化してきたかを示す手がかりを見出すことで、これらの情報を得てきました。膝関節は、大腿骨と脛骨が接する複雑なヒンジ（蝶番）構造であり、特に価値のある部位です。そこには男女間の明確な違いが現れるとともに、若年成人から高齢へと進むにつれて予測可能な漸進的変化が生じます。伝統的に、医師や法医学の専門家は、この関節のX線写真を自身の目で観察し、標準化されたチャートを用いて骨の状態をスコアリングしてきました。しかし、この手作業によるプロセスは時間がかかることがあり、専門家によって同じ画像に対しても判断が一致しないことがあります。人工知能の発展に伴い、研究者たちは、コンピュータが人間の目よりも一貫して、かつ正確にこれらの微細なパターンを学習できるのではないかという問いを投げかけ始めました。

トルコのキュタヒヤ保健科学大学およびキュタヒヤ市立病院の研究チームは、この取り組みにおいて大きな一歩を踏み出しました。彼らは、膝のX線写真を読み取り、その膝の持ち主の性別と年齢層を自動的に判定するように設計された新しいコンピュータシステムを開発しました。単一の手法に頼るのではなく、彼らは二つの異なるタスクを同時に処理するフレームワークを構築しました。最初のタスクである、膝が男性のものか女性のものかを判別するために、チームは単一のコンピュータモデルを信頼するのではなく、三種類の異なる高度な人工知能システムを同じ画像に対して学習させました。そして、これら三つのシステムの判定結果を一つの統一された決定へと統合しました。「ランク・フュージョン・アンサンブル（Rank-Fusion Ensemble）」と呼ばれるこのアプローチにより、コンピュータは各モデルの強みを加重平均することが可能となり、極めて信頼性の高い生物学的性別の特定を実現しました。

二つ目のタスクは、より複雑なものでした。それは、その人の年齢を推定することです。性別が二値のカテゴリーであるのに対し、年齢は連続的な進行です。30代の人は40代の人と多くの身体的特徴を共有しており、年齢層の境界線は曖昧です。これを扱うため、研究者たちは画像の微細な詳細を捉えることに長けた「ConvNeXt-Tiny」と呼ばれる特殊なコンピュータ・アーキテクチャを使用しました。彼らは、このシステムに年齢層が特定の順序に従うことを理解させました。具体的には、隣接する年齢層を誤って予測した場合にはペナルティを少なく、離れた年齢層を誤った場合にはペナルティを重くするような学習方法を設計しました。例えば、50歳の人が40歳だと予測することは軽微なエラーとみなされますが、20歳だと予測することは重大なミスとみなされます。著者らが「トライ・ロス（Tri-Loss）戦略」と呼ぶこのアプローチは、加齢に伴う自然で段階的な性質をモデルに尊重させるのに役立ちました。

チームは、22歳から69歳までの患者から採取された1,042枚の膝のX線写真からなる、厳選されたコレクションを用いてシステムをテストしました。データは、男女の数がほぼ等しく、患者が5つの異なる年代に均等に分散されるようバランスが取られていました。システムが未学習の画像に対してテストを行った際、その結果は驚くべきものでした。性別の判定において、統合されたシステムは96.65%の確率で正解を出しました。男性と女性の骨格構造を区別することにおいて非常に優れており、両グループを分離する上で完璧に近い信頼性を示すスコアを達成しました。この性能は、アンサンブルを構成するために使用された個々のコンピュータモデルのいずれよりも大幅に優れたものでした。

年齢推定のタスクは、隣接する年代間の差異がしばしば微妙であるため、より困難な課題となりました。それでもなお、この特化したシステムは、正しい年代を推測することにおいて71.29%の精度を達成しました。さらに重要なことに、システムが突飛な予測をすることはほとんどありませんでした。誤った場合でも、そのほとんどはわずか一つの年代のズレに留まっていました。研究者によると、全ケースの96.65%において、コンピュータの予測は正しい年齢層であるか、あるいはその直前または直後の年齢層でした。若年成人を高齢者と間違えるような極端なエラーは一度も発生しませんでした。このことは、システムが単に個別のカテゴリーを暗記しているのではなく、加齢に伴う膝の緩やかな、かつ重なり合う変化を正しく学習したことを示唆しています。

また、本研究ではコンピュータが自身の回答に対してどの程度の確信度を持っているかについても調査しました。その結果、システムが高い確信度を示したときは通常正解しており、算出された確率が信頼できるものであることが分かりました。これは、結果の信頼性を知ることが結果そのものと同じくらい重要である医療や法医学の分野において、極めて重要な詳細です。研究者らは、システムが非常に若い層と非常に高齢な層の特定において例外的に優れた性能を示した一方で、中年層の区別はやや困難であったことを指摘しました。これはおそらく、その年代における膝の身体的変化がより緩やかで、明確さに欠けるためと考えられます。

この研究は、ディープラーニングが、私たちの骨に刻まれた物語を読み解くための強力で客観的なツールになり得ることを証明しています。性別特定のために複数の人工知能モデルを組み合わせ、年齢推定のために特殊なアプローチを用いることで、研究者たちは従来の、手作業による観察に代わる定量的な選択肢となるシステムを作り上げました。本研究は特定の集団と特定の年齢範囲に焦点を当てたものですが、その結果は、膝の放射線画像の自動解析が、一貫した高精度な人口統計学的プロファイルを提供できることを示唆しています。この能力は、将来的に、未知の遺体を特定する法医学の専門家を支援したり、生身の患者の加齢に伴う変化を評価する臨床医を助けたりすることにつながる可能性があり、それらはすべて、人間の解釈による変動を伴うことなく行われます。今回の知見は、明確な性的二形と予測可能な加齢プロセスを持つ膝が、現代の機械学習というレンズを通じることで、今やアクセス可能な豊かな情報源であることを裏付けています。