注目ポイント
線維性異形成（Fibrous dysplasia、FD）、セメント骨形成性線維腫（cemento-ossifying fibroma、COF）、セメント骨性異形成（cemento-osseous dysplasia、COD）は、組織学的に類似した顎骨病変であり、病理診断の現場で鑑別が難しい。ResNet-50と弱教師ありマルチスライド学習を用いた深層学習モデルは、経験豊富な口腔病理医を上回る性能を示し、AUC 0.86、正解率71%を達成した。可視化された確率ヒートマップは、鑑別に重要な組織形態学的特徴を的確に示しており、従来の診断法を補完する臨床支援ツールとしての可能性が示唆された。
背景
FD、COF、CODを含む顎骨の線維性・骨性病変は、正常骨が線維性組織と種々の程度の石灰化成分に置換されることを特徴とする、良性ではあるが臨床像が多様な疾患群である。これらの病変は組織病理学的所見が重なり合うため、口腔病理医の日常診療における診断をしばしば困難にする。各病変は臨床経過、予後、治療方針が異なるため、正確な鑑別は極めて重要である。一般にFDは発生異常であり、病変が安定化または退縮することがある一方、COFは増大傾向のため外科的切除を要することが多く、CODは良性かつ無症候性であるため保存的管理が基本となる。
従来の診断は、臨床情報および画像所見を補助として、口腔病理医による形態評価に依拠している。しかし、組織学的類似性が高いため、観察者間変動が問題となり、臨床的判断が最適とはならない可能性がある。近年、人工知能（AI）、とくにデジタル病理に応用される深層学習は、複雑な画像パターンを大規模かつ客観的に解析することで、診断精度と一貫性を高める有望な手法として注目されている。
研究デザイン
本後ろ向き多施設研究では、3施設からFD（n=130）、COF（n=146）、COD（n=62）に分類された計338例を収集した。合計1,218枚のヘマトキシリン・エオジン（hematoxylin and eosin、H&E）染色全スライド画像（whole slide image、WSI）をデジタル化し、標準化のための画像前処理を施した。
深層学習による分類の基盤モデルとして、ResNet-50畳み込みニューラルネットワークアーキテクチャを採用した。訓練戦略として、（1）完全教師あり・単スライド、（2）完全教師あり・マルチスライド、（3）弱教師あり・単スライド、（4）弱教師あり・マルチスライドの4種類を評価し、とくにスライドレベルの予測を症例レベル診断に統合するmultiple-instance learning（MIL）フレームワークに重点が置かれた。
主要評価項目は、独立テストセットにおける受信者動作特性曲線下面積（area under the receiver operating characteristic curve、AUC）および正解率で評価した診断性能であった。モデルの成績は、臨床情報を用いず組織標本のみで評価した熟練口腔病理医の診断結果と比較した。
主な結果
4つの戦略のうち、弱教師ありマルチスライドモデルが最も高い分類性能を示し、テストセットにおいてAUC 0.86、正解率0.71を達成した。この成績は経験豊富な口腔病理医を上回り、組織像のみを解釈する状況において、本モデルの識別能力が優れていることが示された。
確率ヒートマップによる可視化では、病変鑑別に重要な組織形態学的領域が適切に局在化・強調されていた。これらの領域には、線維性間質の細胞密度の差異、骨形成の様式と密度、ならびに石灰化成分と線維性組織との関係が含まれ、いずれも従来の病理診断における重要な所見である。
特筆すべき点として、複数スライドを1症例に統合することによる追加的価値がモデル性能に反映されており、病理医が複数切片を確認して総合判断に至る実臨床の診断過程を模倣する結果となった。
一方で、本研究は比較的症例数が限られていること、地理的代表性が限定的であることなどの制約も認めており、汎化性能を制限する可能性がある。将来的には、多様な患者集団および異なるスキャナー基盤を含めて検証し、頑健性と臨床的有用性を確認する必要がある。
専門家コメント
本研究は口腔病理学へのAI応用における重要な進展であり、深層学習モデルが困難な診断課題において経験豊富な病理医に匹敵するだけでなく、場合によってはそれを上回り得ることを示した。multiple-instance learningを用いた弱教師ありアプローチは、膨大なピクセルレベル注釈を必要とせずにスライドレベルのラベルを効率的に活用できるため、人的・時間的コストを抑えられる。
ただし、AIツールは人の専門性を置き換えるものではなく、補助的手段として位置づけるべきである。病変の総合評価には、臨床情報、放射線学的情報、分子情報が依然として不可欠である。今後は、組織像と画像診断、遺伝子マーカーを統合したマルチモーダルAIモデルを検討することで、診断精度と個別化管理のさらなる向上が期待される。
結論
本研究により、弱教師ありマルチスライド深層学習モデルが、組織画像を用いて顎骨の線維性・骨性病変を鑑別するうえで実行可能であり、臨床応用の可能性を有することが確認された。組織像のみで熟練病理医を上回る正解率を示したことから、本手法は従来の病理診断ワークフローを補強する強力な補助ツールとなり得る。これにより、診断の曖昧さを減らし、患者管理の改善につながる可能性がある。今後は、地理的に多様な症例を含むデータセットの拡充と、マルチモーダル診断データの導入が、広範な適用性と実臨床でのインパクトを確立するための重要な次の課題となる。
Reference
Zhang AB, Li PY, Xue J, Zhang JY, You Z, Ge SH, Xu ZX, Sun ZP, Chang DX, Sun LS, Li TJ. Deep Learning on Histology Images for Differentiating Fibro-osseous Lesions of the Jaw. J Dent Res. 2026 Oct;105(11):1419-1428. doi: 10.1177/00220345261415888. Epub 2026 Feb 24. PMID: 41733218.
