人工知能でう蝕検知。データと情報の価値

Artificial Intelligence for Caries Detection: Value of Data and Information.

抄録

医療用人工知能（AI）は、医療従事者の診断精度を向上させれば、より低コストでより良い治療方針の決定につながる可能性があるが、その結果としての費用対効果には不確実性が残る。本研究では，齲蝕検出用AIの学習に用いるデータセットの拡大が費用対効果にどのような影響を及ぼすかを評価するとともに，他の入力パラメータ（すなわち，AIのコストと人口の齲蝕リスクプロファイル）の不確実性を低減することによる情報の価値を決定した．我々は畳み込みニューラルネットワークを採用し，バイトウィング X 線写真から得られた齲蝕病変のない歯 29,011 本とある歯 19,760 本を含むラベル付きデータセットの 10%，25%，50%，100% に対して学習を行った．費用対効果と情報の価値を定量化するために，確立された医療経済モデリングと分析の枠組みを採用した．ドイツの医療における官民混合支払者の視点を採用し、健康アウトカムは歯の保存年数とした。12歳児の臼歯を生涯にわたって追跡できるマルコフモデルと、モンテカルロ法によるマイクロシミュレーションを採用した。AIを学習させるデータ量が増加するにつれて，感度と特異度は非線形に増加し，データセットを10%から25%に増加させることが精度，ひいては費用対効果に最も大きな影響を与えた．ベースケースシナリオでは，AI は，AI を使用しない歯科医師（60.4 [55.8-64.4] y; 419 [270-593] euros）に比べて，かなりの不確実性を伴いながら，より効果的（平均 [2.5%-97.5%] 62.8 [59.2-65.5] y に歯を残す）かつより低コスト（378 [284-499] euros）であった．AIの精度やコストに関する不確実性を減らすことの経済的価値は限定的であり，一方で，集団のリスクプロファイルに関する情報の方がより適切であった．歯科用AIを開発する際には，データセットのサイズについて十分な情報を得た上での選択が推奨され，費用対効果を最適化するために，う蝕検知のためのAIの個別化適用に向けた研究が正当化されると思われる．

If increasing practitioners' diagnostic accuracy, medical artificial intelligence (AI) may lead to better treatment decisions at lower costs, while uncertainty remains around the resulting cost-effectiveness. In the present study, we assessed how enlarging the data set used for training an AI for caries detection on bitewings affects cost-effectiveness and also determined the value of information by reducing the uncertainty around other input parameters (namely, the costs of AI and the population's caries risk profile). We employed a convolutional neural network and trained it on 10%, 25%, 50%, or 100% of a labeled data set containing 29,011 teeth without and 19,760 teeth with caries lesions stemming from bitewing radiographs. We employed an established health economic modeling and analytical framework to quantify cost-effectiveness and value of information. We adopted a mixed public-private payer perspective in German health care; the health outcome was tooth retention years. A Markov model, allowing to follow posterior teeth over the lifetime of an initially 12-y-old individual, and Monte Carlo microsimulations were employed. With an increasing amount of data used to train the AI sensitivity and specificity increased nonlinearly, increasing the data set from 10% to 25% had the largest impact on accuracy and, consequently, cost-effectiveness. In the base-case scenario, AI was more effective (tooth retention for a mean [2.5%-97.5%] 62.8 [59.2-65.5] y) and less costly (378 [284-499] euros) than dentists without AI (60.4 [55.8-64.4] y; 419 [270-593] euros), with considerable uncertainty. The economic value of reducing the uncertainty around AI's accuracy or costs was limited, while information on the population's risk profile was more relevant. When developing dental AI, informed choices about the data set size may be recommended, and research toward individualized application of AI for caries detection seems warranted to optimize cost-effectiveness.