椎体骨折からの椎体圧壊は予測できる！画像AIが変える高齢者医療の未来

【なぜ椎体圧壊の予測が重要なのか？】

骨粗しょう症による椎体骨折（OVCF）は、高齢の方に特に多く見られる病気です。転倒や咳など、ちょっとした衝撃でも背骨の椎体が潰れてしまい、強い腰の痛みを引き起こします。

通常、このような椎体骨折は、安静や鎮痛剤、骨粗しょう症の治療を行うことで、2〜3カ月以内に自然に回復することが期待されます。

ところが、患者さんのうち 7〜37％ は、椎体圧壊（VC）という骨のさらなる潰れや変形を伴う重い症状へと進行してしまいます。椎体圧壊は、慢性的な腰痛や姿勢の悪化、さらに神経の圧迫によるしびれやまひを引き起こすこともあります。

そのため、初期の診断時点で「この椎体骨折が将来、悪化するかどうか」を予測できれば、より積極的で早期の治療が可能になります。

しかし、これまではMRIなどの画像だけでは、VCの進行を正確に予測するのが難しく、医師の経験に頼るしかありませんでした。

【AIが活躍！MRI画像からVCリスクを予測する最先端技術】

今回、韓国の研究チームが発表したのは、MRI画像とAI（人工知能）を組み合わせてVC（椎体圧壊）の進行を予測する新しい方法です。

使用された主な技術と工夫点は以下のとおりです。

• ViT（ビジョントランスフォーマー）という最新の画像解析AIモデルを使用
• BiomedCLIPという医療画像に特化した事前学習モデルを活用
• LoRA（ローラ）という効率的な学習方法で、少ないデータでも高精度を実現
• 拡張予測（Augmented Prediction）により、複数のMRI画像を用いて判断の精度をアップ

研究では、韓国国内5施設から集めた 245人分の患者データ を使い、AIモデルを訓練・検証しました。患者さんは50歳以上で、MRIにより新鮮な椎体骨折と診断された方が対象です。

このAIは、骨折した椎体の外形や内部構造の微妙な変化を見分ける能力を持ち、6カ月後にVC（椎体圧壊）が発生するリスクを予測します。

その結果、AIは AUC 0.8656 という高精度を達成しました。これは「かなり当たる」と言える水準であり、人間の予測精度を大きく超える可能性を秘めています。

【臨床現場での活用：低侵襲手術を含む柔軟な治療選択が可能に】

このAI技術の最大の強みは、「見えない未来」を映し出してくれることです。

たとえば、ある患者さんが椎体骨折直後にMRIを撮影したとします。AIが「このままでは椎体圧壊が起こる可能性が高い」と判断した場合、医師は以下のような選択を取ることができます。

• コルセットの強化や装着期間の延長
• 骨粗しょう症の薬剤の見直しと強化
• 早期のリハビリ指導や運動指導
• 経皮的椎体形成術（Balloon Kyphoplasty：BKP）などの低侵襲手術を早期に検討
• 

特にBKPは、潰れかけた椎体にバルーンを挿入して持ち上げ、骨セメントで固定する治療法で、体への負担が少なく、痛みの軽減や姿勢の改善に優れた効果が期待できます。

椎体圧壊が進行してしまう前にリスクを把握できれば、こうした低侵襲手術を適切なタイミングで選択でき、患者さんの生活の質（QOL）を大きく向上させる可能性があります。

また、この研究では Grad-CAM や Attention Rollout といった可視化技術を使い、AIがどこを見て判断しているのかを画像で確認できるようになっています。医師がAIの根拠を理解しやすくなることで、治療方針の立案にも安心感が生まれます。

まとめ：画像AIが変える、高齢者の椎体骨折治療の未来

この研究が示したのは、画像AIが予測医学の新たな可能性を拓くことです。

ViTという先進的な画像解析モデルを医療用に応用し、LoRAという効率的な微調整技術を組み合わせることで、限られたデータでも高精度な予測が可能となりました。

さらに、拡張予測によって複数のMRI画像を活用し、外部の医療機関でも安定した性能を発揮する汎用性の高いAIモデルが完成しています。

AIが椎体圧壊のリスクを正確に見抜くことで、医師はコルセット治療からリハビリ、さらには経皮的椎体形成術（BKP）のような低侵襲手術まで、患者の状態に応じた柔軟な治療方針を立てることができます。

高齢化社会が進む日本においても、このような技術の導入は、患者さんの予後改善と医療の効率化の両方に大きく貢献すると期待されます。

【引用論文】
Kim S, Kim I, Yuh WT, et al. Augmented prediction of vertebral collapse after osteoporotic vertebral compression fractures through parameter-efficient fine-tuning of biomedical foundation models. Scientific Reports. 2024;14:31820. https://doi.org/10.1038/s41598-024-82902-w