医療と機械学習とMRI

発表で使いました
#AIMS

Transcript

1. 医療と機械学習とMRI Hayata Yamamoto
2. 注意事項 • この資料は私個人の見解を示したものです。 所属する組織の意見を代表しません。 • 医療分野の知識については、 医療従事者から見ると至らない点がある可能性があります。
3. Agenda 1. 医療と機械学習 a. 医用画像解析を軸にして話します。 2. まとめ
4. 医療と機械学習
5. Hayata Yamamoto (23) • 職業: Data Scientist @RareJob.inc • 経歴: Sales -> ML eng. -> DS • 関心: 教育、ヘルスケア、医療 • Twitter: @hayata_yamamoto • 医療分野との関わり: ◦ sMRI T1の脳画像を見てました
6. http://www.ajnr.org/content/33/1/77
7. 今日伝えたいこと • 医療と機械学習はとても面白い分野であること • データを分析する際には、高度な背景知識が求められること • データ分析と医療関係の知識を満遍なく習得して欲しい
8. 医療とテクノロジーで何を思い浮かべますか？
9. たとえば • 電子カルテ • 遠隔診療 • 高度な医療機器 など
10. https://bit.ly/2rTquc5
11. わかること • メディカル市場は発展中 ◦ 日本が強みを発揮できる分野であるという調査もあります。 • スタートアップもたくさんいる • ウェアラブルとかも含めると、もっとたくさん会社がいそう
12. 機械学習との関わり
13. 現状 • 医療データの機械学習に取り組む研究者は割といます。 • 脳波から診断データ、MRI、CTなど材料はたくさんあります。 ◦ 画像認識 ◦ 自然言語処理などなど • 深層学習の定番は、医用画像のsegmentation。 ◦ Unet, Unet++とか
14. https://arxiv.org/pdf/1807.10165.pdf
15. MRIって知ってますか？ • Wikipedia ◦ 核磁気共鳴画像法（かくじききょうめいがぞうほう、 英語: magnetic resonance imaging, MRI）とは、核磁気共鳴（nuclear magnetic resonance, NMR）現象を利用して生体内の内部の情報を 画像にする方法である。 • CTとの違い ◦ 撮影時間 ▪ CTは約10分、MRIは約30分 ◦ 撮影方法の違い ▪ CTはX線、MRIは磁場の共鳴 ▪ 故に、MRIは被曝しない • 参考 ◦ http://www.kuki-med.jp/ctmri/ ◦ http://bit.ly/2UXhdi0
16. 難しく、面白いところ • データ自体のドメイン知識がかなり必要 ◦ データによって、画像や信号の特徴が明確に異なる。 ▪ センサーデータ中心 ▪ 波形データ、2D, 3D, 4Dまである。 ▪ 画像の種類やピクセル値ごとに、移りやすい臓器や物質がある。 ◦ 階調処理、現像の処理が必要になることも。 ▪ ベンダーや取得時の環境によってデータに味がある ◦ データの見方がわからない ▪ 教師データがあってもいまいち素人には違いがわからないこともある。 ▪ ３Dデータだと、２D化する際の画像の切り方で見えない部分が発生する。 • 例えば、脳画像だとSagittal, Coronal, Axial
17. MRIの種類（一部） http://casemed.case.edu/clerkships/neurology/web%20neurorad/mri%20basics.htm
18. 難しく、面白いところ • 前処理の知識 ◦ 正規化をしたりします。（ソフトウェア依存） ▪ 骨をとる、大きさを整える、など ▪ 情報の損失はいかほどか... ◦ 正規化せずタスクをやることもできるが大変。←私がやってたこと ▪ 子どもと大人、男性と女性、頭の形でデータがめちゃくちゃ揺れる • データ数の少なさ ◦ そもそも多くの人は、MRIとか滅多に受けない ◦ さらに、症例の少ないデータは、正解データが本当に少ない ◦ 大きいデータの使用には、倫理審査など厳密な手続きが必要。
19. 難しく、面白いところ • 説明責任の問題 ◦ 分類問題が予測できても、原因についての考察ができないとダメな場合がある。 ▪ LinearSVCはよく使われてる印象。係数が取れるし。 ◦ 業務効率化など、厳密な説明能力を問われない領域とは機械学習の相性が良さそう。 ◦ 確率の揺らぎはどうする？（学習時の塩梅によってクラス分類が変わる可能性） • ツールに対する理解 ◦ SPM, FreeSuferなど ◦ 典型的な分析はかなりまかなえる。 ▪ 何をやってるかの理解は必要 ◦ 生データを取得した際には、既存のソフトウェアをうまく使いながら分析する必要がある ◦ １サンプルのデータ量が大きくなるケースでは、メモリをうまく使うプログラミングも必要
20. 要は、めっちゃいろんな知識いります。
21. 医療ドメインとテクノロジーどちらもわかる人材が重要
22. ドメインの知識と機械学習は両輪
23. 望ましいスキルセット • 医療分野に対する知見 ◦ データ生成過程やデータに対する着眼点を理解するため ◦ 着眼点から意義のあるテーマを見出すため • テクノロジーに対する知見 ◦ 人がやっている思考プロセスを数学的に再現するため ◦ 実際にデータを加工して、実験を行うため もちろん、どちらかだけでも取り組むことはできる。
24. 習得の難しさ 医療のドメイン知識　＞　プログラミングや機械学習
25. 医療知識を習得する • 学習機会を得にくい • 習得までに時間がかかる ◦ 一朝一夕が難しい • 実際に使う場面が少ない テクノロジーを習得する • 工学系学部ならおおよそ勉強できる • MOOCs, ブログなどで自学できる ◦ コピペでも最初はどうにかなる • 実際に使う場面をたくさん作れる ◦ Kaggleとか
26. 問題設定の難しさ • タスク自体の特性をよく理解する必要性 ◦ 問題が解ければ良いのか ◦ 問題が解けた後に説明する必要もあるのか • 自力のアノテーションは、知識がないと難しい ◦ 医用画像のマスク作成などは、お医者さんが日常的にやってる業務 • 分析したいテーマにそぐうデータが存在するか ◦ クローズドのデータもある（審査が必要） • できる限り実現可能なタスクにできるか ◦ 検出の難しさや、クラス分けの難しさ
27. 医療の知識があって、データ分析をすると最強
28. まとめ • 医療 x Techはすごく面白く、盛り上がってる分野です。 • 医療データを扱う際には必要なドメイン知識がかなりあります。 • 医療の知識を持った上で、テクノロジーを使える人材が重要です。
29. ありがとうございました！