Tweet
Tweet

Slide 1

Slide 1 text

© 20211229 @tdys13 『 AI×医⽤画像 』 の現状と可能性 轟 佳⼤ 1 2021年版

Slide 2

Slide 2 text

© 20211229 @tdys13 このまとめは轟が毎年年末に趣味でまとめているスライドの第5弾です。 第1〜4弾は2018年から毎年末(2020年のみ上/下半期)まとめております。 (『AI 医⽤画像』でググると⼀番上に出てくるスライドシェアの⼈です) 年末公開のスライドは4年⽬に突⼊し、研究や製品開発が多領域で⾒られるようになりました。 まだまだ市場や環境としては出来たてな業界なので更に進展することを願いつつ、 定点観測として今年の動きをご紹介出来たらと思います 説明などに⾄らぬ点もあるかと思いますが、 その際は⾃⾝も勉強させていただきますのでご鞭撻の程、何卒よろしくお願いします 2021 1229 轟佳⼤ 2

Slide 3

Slide 3 text

© 20211229 @tdys13 2. 3. 4. 1. 3 ⾃⼰紹介 世界の研究トレンド紹介 - 医⽤画像関連研究紹介 ⽇本のビジネストレンド紹介2021 - 部位別カオスマップ，技術紹介 まとめ

Slide 4

Slide 4 text

© 20211229 @tdys13 2. 3. 4. 1. 4 ⾃⼰紹介 世界の研究トレンド紹介 - 医⽤画像関連研究紹介 ⽇本のビジネストレンド紹介2021 - 部位別カオスマップ，技術紹介 まとめ

Slide 5

Slide 5 text

© 20211229 @tdys13 -所属- p アイリス株式会社 - AIエンジニア p 国⽴研究開発法⼈ 産業技術総合研究所 ⼈⼯知能コンソーシアム - 医⽤画像WGリーダー p 東京⼤学附属病院 バイオデザイン部⾨ - 外部研究員 -好きなもの- p ヘルスケアや最新技術の情報収集 p アイス、サッカー、ボードゲーム、⿇雀、料理 -その他- p 連載，講演，趣味でリサーチした情報をまとめたりしてます。 p 連絡先 yoshihiro.todoroki.1013@gmail.comまたはツイッターDM 5 轟 佳⼤ (ﾄﾄﾞﾛｷ ﾖｼﾋﾛ) ：@Tdys13 ネット上の顔 実物

Slide 6

Slide 6 text

© 20211229 @tdys13 2. 3. 4. 1. 6 ⾃⼰紹介 世界の研究トレンド紹介 - 医⽤画像関連研究紹介 ⽇本のビジネストレンド紹介2021 - 部位別カオスマップ，技術紹介 まとめ

Slide 7

Slide 7 text

© 20211229 @tdys13 7 ページ数 ：コンテンツ名 7 ~ 30 ：AIとは 31 ~ 77 ：研究紹介 78 ~ 114 ：⽇本におけるAI×医⽤画像事例紹介(2021年) 115 ~ 134 ：おまけ(AI医療機器に関する話) 135 ~ 136 ：終わりに

Slide 8

Slide 8 text

© 20211229 @tdys13 8 ⼈⼯知能≒「様々な技術の複合体の総称」 現状はとりわけ「機械学習・深層学習」&「その他技術」が使われているものを指すことが多い ⼈⼯知能とは？ 引⽤： ・AI demystified https://www.callaghaninnovation.govt.nz/blog/ai-demystified

Slide 9

Slide 9 text

© 20211229 @tdys13 9 中でも機械学習技術の⼀⼿法である『深層学習技術』は⼈⼯知能の根幹技術 ⼈⼯知能とは？ 引⽤： ・NVIDIA ブログ ⼈⼯知能、機械学習、ディープラーニングの違いとは https://blogs.nvidia.co.jp/2016/08/09/ whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

Slide 10

Slide 10 text

© 20211229 @tdys13 10 何を最終⽬的とした、どんなデータが存在するか、などの条件から 使⽤する深層学習モデルとモデルの学習⽅法を選ぶ 深層学習とは？

Slide 11

Slide 11 text

© 20211229 @tdys13 ⽬的別の違いをざっくり説明 11 深層学習×画像領域のタスクは？ 画像領域のタスクは主に4ジャンル (検出、分類、セグメンテーション、⽣成)

Slide 12

Slide 12 text

© 20211229 @tdys13 12 深層学習 モデル フルーツ いぬ 教師あり学習 ラベル付きデータをモデルに学習させる 学習⽅法とは？(ex :画像分類タスク) フルーツといぬ を⾒分ける 教師あり学習＝各画像と紐づく正解ラベルを⽤いて、分類をする

Slide 13

Slide 13 text

© 20211229 @tdys13 13 深層学習 モデル 教師なし学習 ラベルなしデータをモデルに学習させる 学習⽅法とは？(ex :画像分類タスク) ざっくりと ２グループに 分ける 教師なし学習＝各画像の正解ラベルを与えず、篩い分けを⾏う

Slide 14

Slide 14 text

© 20211229 @tdys13 14 深層学習 モデル フルーツ いぬ 半教師あり学習(※Semi Supervised learning) ラベル付きデータとラベル無しデータをモデルに学習させる 学習⽅法とは？(ex :画像分類タスク) フルーツといぬ を⾒分ける わからない奴ら も学習する 半教師あり学習＝各画像と紐づく正解ラベルが存在/存在しない データを⽤いて分類をする ？？？

Slide 15

Slide 15 text

© 20211229 @tdys13 15 深層学習 モデル ⾃⼰教師あり学習(※self supervised learning) ラベルなしデータから独⾃のラベルを⽣成し学習させる 学習⽅法とは？(ex :画像分類タスク) 予測を次回の学習 でラベルとして 使⽤する ⾃⼰教師あり学習＝ラベルがない状態のデータに対して⾃ら予測した値を 正解ラベルとして学習して、分類をする 予測値を ラベルとして使⽤

Slide 16

Slide 16 text

© 20211229 @tdys13 16 深層学習 モデル 対照学習(※self supervised learningの⼀種) ラベルなしデータから独⾃のラベルを⽣成し学習させる 学習⽅法とは？(ex :画像分類タスク) ペア①は似てる ペア②は似てない →ペア②の負例は 類似度を下げよう 対照学習＝アンカー画像と正例/負例の類似度を学習して、分類をする アンカー アンカー 正例 負例 ペア① ペア②

Slide 17

Slide 17 text

© 20211229 @tdys13 17 深層学習 モデル 強化学習 ラベルなしデータをモデルに試⾏錯誤しながら学習する 学習⽅法とは？(ex :画像分類タスク) この分け⽅を ⾏うと報酬が すごく⾼い 報酬 報酬係 仕分け結果 強化学習＝篩い分けの結果に応じて報酬を与え、より⾼い報酬を⽬指させる

Slide 18

Slide 18 text

© 20211229 @tdys13 18 深層学習 モデル 教師あり学習 学習フェイズ ‒ ラベル付きデータをモデルに学習させる 深層学習 - 画像分類タスク フルーツ いぬ ⼀般的に⽤いられる教師あり学習では、学習時に画像と正解ラベルを学習させる

Slide 19

Slide 19 text

© 20211229 @tdys13 19 教師あり学習 学習フェイズ ‒ ラベル付きデータをモデルに学習させる 深層学習 - 画像分類タスク フルーツ いぬ 学習回数を増やすことで深層学習モデルが⼊⼒された画像に対して正答率を上げていく 学習済み 深層学習 モデル

Slide 20

Slide 20 text

© 20211229 @tdys13 教師あり学習 テストフェイズ ‒ 未知データを処理する 20 深層学習 - 画像分類タスク ??? ??? フルーツ90% いぬ 10% フルーツ 5% いぬ 95% 学習済み 深層学習 モデル 学習済み深層学習モデルへ、⼊⼒画像と同ジャンルの『ラベルなし画像』を⼊⼒することで 未知な画像に対して⾃⾝の選択肢から推論する

Slide 21

Slide 21 text

© 20211229 @tdys13 21 しかし、⼊⼒画像のジャンルと異なるものに対しても 無理やり知識の中で結論を出そうとしてしまうのが⽋点 良い点と改善出来る点は？ ??? フルーツ 40% いぬ 60% 学習済み 深層学習 モデル 教師あり学習 テストフェイズ ‒ 未知データを処理する

Slide 22

Slide 22 text

© 20211229 @tdys13 22 そのため対象領域が広い場合は逃げ道を組み込んだ設計が必須 良い点と改善出来る点は？ ??? フルーツ 20% いぬ 30% その他 50% 学習済み 深層学習 モデル 教師あり学習 テストフェイズ ‒ 未知データを処理する

Slide 23

Slide 23 text

© 20211229 @tdys13 23 最近では説明可能なAI研究において 最終的な出⼒値における確からしさを出す研究などもされている 良い点と改善出来る点は？ ??? フルーツ 20% いぬ 30% その他 50% 学習済み 深層学習 モデル 教師あり学習 テストフェイズ ‒ 未知データを処理する 確からしさ15% 確からしさ17% 確からしさ68%

Slide 24

Slide 24 text

© 20211229 @tdys13 24 現状、深層学習モデルを学習させるにはデータ・構成技術・計算資源が必要 深層学習とは？ 学習データ 各技術 計算資源 学習済みAI

Slide 25

Slide 25 text

© 20211229 @tdys13 25 推論(実使⽤)するには利⽤するデータに加えて、 学習済みのAI・それが使えるエッジコンピュータが必要 深層学習とは？ 学習済みAI 各エッジコンピュータ 活⽤ テストデータ

Slide 26

Slide 26 text

© 20211229 @tdys13 26 ⽇常で使われ始めたAI技術 AIが⾃動で不要と認識したものを画像内から削除した上で再構成するAI機能 (左⼿のゴミ箱、前⾯のポール、右の⼈を削除) 元画像 Google Pixel6Proによる 消しゴムマジックを使⽤した画像処理 ・画像処理

Slide 27

Slide 27 text

© 20211229 @tdys13 27 ・画像認識 多くの⼈が1度は使ったことがあるサービスやアプリでも裏側で深層学習技術が使⽤されている (左：DeepL翻訳 右：メルカリ メルカリレンズ) ⽇常で使われ始めたAI技術 ・⾃然⾔語処理 引⽤： ・メルカリレンズ https://jp-news.mercari.com/mercari-lens/pc/ 引⽤： ・DeepL翻訳 https://www.deepl.com/ja/translator

Slide 28

Slide 28 text

© 20211229 @tdys13 28 ⽇常で使われ始めたAI技術 AIによる⾃動電話対応サービスや、 LINEすることで⼈格(エアフレンド)を育てるAIアカウント なども登場した 引⽤： ・LINE AiCall https://clova.line.me/line-aicall/ ・⾃然⾔語処理/⾳声解析 引⽤： ・エアフレンド https://airfriend.ai/ja/

Slide 29

Slide 29 text

© 20211229 @tdys13 29 多くの先⼈たちが道筋を作ってくれている どちらも基本編+応⽤編(医療に特化したAIに関して)を学べる 初学者向けコンテンツは？ 株式会社キカガクが無料公開している講義 ・引⽤ 株式会社キカガク⽇本メディカルAI学会公認資格試験 メディカルAI専⾨コース https://cbt-medical-ai.kikagaku.co.jp/ ・引⽤ 聖マリアンナ医科⼤学 未来の医療を創る“医療⼈2030”育成プロジェクト https://marianna-dhcc.jp/ 聖マリアンナ医科⼤学が⾏なっている 医療AIセミナー

Slide 30

Slide 30 text

© 20211229 @tdys13 30 『AI×医⽤画像』の現状と可能性(2021年) まとめ • AIとは深層学習・機械学習×○○の総称 • 学習⽅法や⽬的に応じて使⽤する技術や 使う深層学習モデルを変えていく • 多くのAIサービスが今⽇も⽣活に溶け込んでいる • 余談ですがGoogle Photosの消しゴムマジックや Google⾳声書き起こし機能は初めて使ったときは 本当に感動しました！

Slide 31

Slide 31 text

© 20211229 @tdys13 31 遺伝⼦解析 診察(問診・検診) 診断 治療・再発防⽌ 予防・予兆 患者視点での医療はざっくりとこれらのジャンルに分けられると個⼈的に考えています AIの医療応⽤

Slide 32

Slide 32 text

© 20211229 @tdys13 32 ◎診察(問診・検診) ◎診断 AI×医⽤画像領域では、診断⽀援の際に⽤いることを前提に 研究とその後のサービス化・医療機器化されていることが多い AIの医療応⽤ 遺伝⼦解析 予防・予兆 治療・再発防⽌

Slide 33

Slide 33 text

© 20211229 @tdys13 33 医⽤画像以外のAI×医療領域では、 問診のSaaSサービス・オンライン服薬指導・治療アプリなど様々な領域で使われはじめた AIの医療応⽤ 遺伝⼦解析 ◎予防・予兆 ◎治療・再発防⽌ 診断 ◎診察(問診・検診)

Slide 34

Slide 34 text

© 20211229 @tdys13 34 ここからは 研究を⾒ていく中で 個⼈的に盛り上がっていると 感じたジャンルを紹介するよ！

Slide 35

Slide 35 text

© 20211229 @tdys13 35 個⼈的に考えた2021年の深層学習×医⽤画像処理のトレンドまとめ① • 他領域で発明された技術を医⽤画像の課題に利⽤ - Transformerの適⽤ - 今年だけで発表された医⽤画像/Transformer関連論⽂ - ドメインシフトへの対応 - 医療機器の不⼀致を緩和するためのドメインシフト - 対照学習の利⽤ - 患者情報も考慮したlossの提案 - ⼤量の医⽤画像を使⽤した事前⾃⼰教師あり学習 - Adversarial Attackの適⽤ - 医⽤画像に特化したAdversarial Attackの提案 - 頑健性向上を⽬指した前処理としてのAdversarial Attackの導⼊

Slide 36

Slide 36 text

© 20211229 @tdys13 36 個⼈的に考えた2021年の深層学習×医⽤画像処理のトレンドまとめ② • 実世界でも活⽤が始まりつつある領域 - マルチモーダル関連 - CT画像と電カル情報を統合したモデルの提案 - Federated learning関連 - 強化学習関連 - ⼈間のエコー検査の⼿技を習得するモデルの提案 - 既に発表された製品に対して - 2021年までに販売されたAI医療機器の評価論⽂ - サーベイ論⽂やコンペティションの動向 - 引き続き医⽤画像に関するコンペティションが数多く開催された2021年 - 多くのサーベイ論⽂が発表された

Slide 37

Slide 37 text

© 20211229 @tdys13 37 2021年は医⽤画像に対してTransformerを応⽤した研究が数多く発表された 他領域で発明された技術を医⽤画像の課題に利⽤ ←2020年のまとめスライドに 載せたスライド

Slide 38

Slide 38 text

© 20211229 @tdys13 38 他領域で発明された技術を医⽤画像の課題に利⽤ 医⽤画像のセグメンテーションに特化したTransformerの提案 →⼤局的な特徴と局所的な特徴を学習することでセグメンテーションの精度を向上させる ・引⽤ Jose, J. M., and P. Oza. "Medical transformer: gated axial-attention for medical image segmentation." International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). 2021. ü Transformerの適⽤ MICCAI2021採択 最終的な精度(F1 Score) ・引⽤ https://github.com/jeya-maria-jose/Medical-Transformer

Slide 39

Slide 39 text

© 20211229 @tdys13 39 他領域で発明された技術を医⽤画像の課題に利⽤ 医⽤画像のセグメンテーションに特化したTransformerの提案 →⼤局的な特徴と局所的な特徴を学習することでセグメンテーションの精度を向上させる ・引⽤ Jose, J. M., and P. Oza. "Medical transformer: gated axial-attention for medical image segmentation." International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). 2021. ü Transformerの適⽤ MICCAI2021採択 最終的な精度(F1 Score) ・引⽤ https://github.com/jeya-maria-jose/Medical-Transformer 医⽤画像に特化したAttention機構の提案及び、それらを組み込んだTransformerの提案

Slide 40

Slide 40 text

© 20211229 @tdys13 40 他領域で発明された技術を医⽤画像の課題に利⽤ ü Transformerの適⽤ ・引⽤ Jose, J. M., and P. Oza. "Medical transformer: gated axial-attention for medical image segmentation." International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). 2021. Medical Transformerの構造 BackboneがTransformerの U-Netというイメージ 提案法：Gated Axial Attention Layer →Gating機構を⽤いて注⼒する部分の調整をする Q:que K:key V:value X:⼊⼒, Y:出⼒ Encoder Transform Block ・引⽤ https://github.com/jeya-maria-jose/Medical-Transformer

Slide 41

Slide 41 text

© 20211229 @tdys13 41 医⽤画像に特化したAttention機構の提案及び、それらを組み込んだTransformerの提案により セグメンテーション精度を向上させた 他領域で発明された技術を医⽤画像の課題に利⽤ ü Transformerの適⽤ ・引⽤ Jose, J. M., and P. Oza. "Medical transformer: gated axial-attention for medical image segmentation." International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). 2021. ・引⽤ https://github.com/jeya-maria-jose/Medical-Transformer

Slide 42

Slide 42 text

© 20211229 @tdys13 42 今年発表された「医⽤画像に対してTransformerを組み込んだ研究(50個)」が まとめられているGitHub repository 他領域で発明された技術を医⽤画像の課題に利⽤ ü Transformerの適⽤ ・引⽤ Transformer For Medical Image Analysis https://github.com/junyuchen245/Transformer_for_medical_image_analysis ※あくまでもこのページにまとめられている研究は 今年発表された医⽤画像×Transformer系研究の⼀部だが， まとめることがスゴイ．．． 検索『Transformer_for_medical_image_analysis』

Slide 43

Slide 43 text

© 20211229 @tdys13 43 他領域で発明された技術を医⽤画像の課題に利⽤ 6種のメーカーが異なるスキャナーで撮影した病理画像から細胞分裂中の細胞を検出するコンペティション Trainは4種類(うち2がTrainのみ)、Testは4種類(うち2種類がTestのみ)から収集された画像を使⽤ ・引⽤ MIDOG2021 https://imig.science/midog/the-challgenge/ Yang, Sen, et al. "Sk-Unet Model with Fourier Domain for Mitosis Detection." arXiv preprint arXiv:2109.00957 (2021). ü ドメインシフトへの対応 MICCAI2021 MIDOG challenge2021(MItosis DOmain Generalization challenge) 最終スコア 提案した前処理としてのDomain Adaption 左：元画像 中：対象画像 右：元画像を対象画像のドメインへ変更した画像 著者が考案したSK-Unetの前処理としてFourier Domain Adaptionを適⽤させた

Slide 44

Slide 44 text

© 20211229 @tdys13 44 医⽤画像へのFourier Domain Adaptionを⽤いた前処理は 病理画像、内視鏡画像や⽪膚画像では適応可能かも？(個⼈⾒解) 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Yang, Yanchao, and Stefano Soatto. "Fda: Fourier domain adaptation for semantic segmentation.” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. ü ドメインシフトへの対応 Fourier Domain Adaption 1. source image / target imageをフーリエ変換 2. source image中央の低周波数領域を target image中央の低周波数領域で置き換える 3. 完了 CVPR2020採択 ・引⽤ https://github.com/YanchaoYang/FDA ジャーナル誌 Statistical Atlases and Computational Models of the Heart SK-Unetの提案論⽂ (前スライドの著者と同⼀⼈物) ・引⽤ Wang, Xiyue, et al. "SK-Unet: an improved U-Net model with selective kernel for the segmentation of multi-sequence cardiac MR.” International Workshop on Statistical Atlases and Computational Models of the Heart. Springer, Cham, 2019.

Slide 45

Slide 45 text

© 20211229 @tdys13 45 他領域で発明された技術を医⽤画像の課題に利⽤ 対照学習に使⽤されるinfo NCE Lossを改良した研究 医⽤画像とペアとなる患者情報(年齢，体温など)を組み込んだy-Aware info NCE Lossの提案 ・引⽤ Dufumier, Benoit, et al. "Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI Classification." arXiv preprint arXiv:2106.08808 (2021). ü 対照学習の利⽤ arXiv 左:SimCLRと右:y-Aware Contrastive Learningの違い 左:ペアとなる画像の類似度よりLossを算出 右:ペアとなる画像&メタデータの類似度よりLossを算出 ・引⽤ https://github.com/Duplums/yAwareContrastiveLearning 「対照学習を⾏う際に画像とペアになる患者情報もLossに加えることで より効果的に学習が進むのではないか」という研究

Slide 46

Slide 46 text

© 20211229 @tdys13 46 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Dufumier, Benoit, et al. "Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI Classification." arXiv preprint arXiv:2106.08808 (2021). ü 対照学習の利⽤ Info NCE Loss 本提案のy-Aware Info NCE Loss ・引⽤ https://github.com/Duplums/yAwareContrastiveLearning

Slide 47

Slide 47 text

© 20211229 @tdys13 47 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Dufumier, Benoit, et al. "Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI Classification." arXiv preprint arXiv:2106.08808 (2021). ü 対照学習の利⽤ 左図：2実験にて提案法が最も⾼いAUCに到達、残り4実験に置いても教師あり学習に次ぐ精度 右図：年齢情報を組み込んだy-Aware CLがpretrainとして最も⾼精度だった SCZ : 統合失調症のMRIデータセット BIPOLAR：双極性障害のMRIデータセット AD：アルツハイマーのMRIデータセット HC：健常者のMRIデータセット CTL：対照学習の結果(？-論⽂中に明記なし) On Site：train/validationとtestにて同⼀データセットを使⽤ Leave-Site-Out： train/validationとtestにて異なるデータセットを使⽤ ・引⽤ https://github.com/Duplums/yAwareContrastiveLearning

Slide 48

Slide 48 text

© 20211229 @tdys13 48 他領域で発明された技術を医⽤画像の課題に利⽤ ⾃⼰教師あり学習にてImageNetを事前学習したモデルに対して 再度⾃⼰教師あり学習にてラベルなし医⽤画像データセットを学習し 最終的に教師あり学習にてラベルあり医⽤画像データセットでfine-tuneする研究 ・引⽤ Google AI Blog Self-Supervised Learning Advances Medical Image Classification https://ai.googleblog.com/2021/10/self-supervised-learning-advances.html ü 対照学習の利⽤ ICCV2021採択

Slide 49

Slide 49 text

© 20211229 @tdys13 49 他領域で発明された技術を医⽤画像の課題に利⽤ ü 対照学習の利⽤ ICCV2021採択 ・引⽤ Google AI Blog Self-Supervised Learning Advances Medical Image Classification https://ai.googleblog.com/2021/10/self-supervised-learning-advances.html 対照学習を⽤いた医⽤画像での事前学習⼿法を提案した論⽂ ポイントとなる部分

Slide 50

Slide 50 text

© 20211229 @tdys13 50 他領域で発明された技術を医⽤画像の課題に利⽤ ü 対照学習の利⽤ ・引⽤ Google AI Blog Self-Supervised Learning Advances Medical Image Classification https://ai.googleblog.com/2021/10/self-supervised-learning-advances.html 対照学習&MILを⽤いた医⽤画像での事前学習⼿法が 画⾓違いやラベルの無い医⽤画像に対しても事前学習が可能&頑健性を増す⼿法になると確認した MICLe：Multi-Instance Contrastive Learningの提案 課題：ラベルの無い医⽤画像は同じ病変だとしても画⾓や写り⽅で 異なるものと認識されてしまう (眼底画像の左右，マンモグラフィーの正⾯/側⾯， ⽪膚画像の画⾓違いなど) 解決策：「同じ病変を多くの画⾓から撮影した画像」を 同⼀画像と認識させるためにMulti-Instance Learning(MIL)⼿法を 取り⼊れる 向上策：MILと対照学習を組み合わせることで ラベルなし医⽤画像に対して事前学習が出来る⼿法に昇華させる

Slide 51

Slide 51 text

© 20211229 @tdys13 51 他領域で発明された技術を医⽤画像の課題に利⽤ 医⽤画像に特化したAdversarial Attackの⼿法を提案した論⽂ ・引⽤ Qi, Gege, et al. "Stabilized medical image attacks." arXiv preprint arXiv:2103.05232 (2021). ü Adversarial Attackの適⽤ ICLR2021採択 ① ② ③ ④ ①列：正解画像 ②，③列：別の Adversarial Attack⼿法 ④列：提案⼿法 1⾏⽬：眼底画像，grade0の画像に対してgrade2と返す 2⾏⽬：胸部CT画像，肺領域を認識させていない 3⾏⽬：内視鏡画像，⼤腸を⼈⼯物と認識させる

Slide 52

Slide 52 text

© 20211229 @tdys13 52 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Goodfellow, Ian J., Jonathon Shlens, and Christian Szegedy. "Explaining and harnessing adversarial examples." arXiv preprint arXiv:1412.6572 (2014). ü (寄り道)そもそもAdversarial Attackとは？ ノイズを加えることで正しく物体を認識させなくさせる技術 ICLR2015採択 ・引⽤ UNLABELED http://shop-nexus7vn.com/?mode=grp&gid=2658226 ⾝につけるだけで監視カメラに認識されなくなる服が登場 https://nordot.app/820957859646554112?c=113147194022725109 パンダの画像にノイズを加えることでテナガザルと認識する AIカメラに⼈と認識させなくするパーカー (これを着て事故っても⾃⼰責任で．．笑)

Slide 53

Slide 53 text

© 20211229 @tdys13 53 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Qi, Gege, et al. "Stabilized medical image attacks." arXiv preprint arXiv:2103.05232 (2021). ü Adversarial Attackの適⽤ ICLR2021採択 ① ② ③ ④ ①列：正解画像 ②，③列：別の Adversarial Attack⼿法 ④列：提案⼿法 1⾏⽬：眼底画像，grade0の画像に対してgrade2と返す 2⾏⽬：胸部CT画像，肺領域を認識させていない 3⾏⽬：内視鏡画像，⼤腸を⼈⼯物と認識させる 提案したAdversarial Attackをデータ⽔増しの際に組み込むことで， 攻撃されても頑健なAIモデルの開発を今後は⽬指している 医⽤画像に特化したAdversarial Attackの⼿法を提案した論⽂

Slide 54

Slide 54 text

© 20211229 @tdys13 54 他領域で発明された技術を医⽤画像の課題に利⽤ ICLR2015にてGoodfellow⽒らが考案したAdversarial Attack(2スライド前のパンダに適応したFGSM)と 今回著者らが新規提案したAdversarial Attackをデータ⽔増しとして使⽤する ・引⽤ Pervin, Mst, et al. "Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation." arXiv preprint arXiv:2105.12106 (2021). ü Adversarial Attackの適⽤ arXiv 最終的なセグメンテーション精度 データ⽔増しとしてAdversarial Attackされた画像を加えることで モデルの頑健性を向上させる研究

Slide 55

Slide 55 text

© 20211229 @tdys13 55 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Pervin, Mst, et al. "Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation." arXiv preprint arXiv:2105.12106 (2021). ü Adversarial Attackの適⽤ (a)オリジナル画像 (b)オリジナル画像にAdversarial Atacck(FGSM)を組み込んだ画像 (c)正解部分 (d)予測部分 (a)オリジナル画像 (b)オリジナル画像にInverse-FGSM(新規提案のAdversarial Attack)を 組み込んだ画像 (c)正解部分 (d)予測部分 FGSMの式 Inverse-FGSMの式

Slide 56

Slide 56 text

© 20211229 @tdys13 56 他領域で発明された技術を医⽤画像の課題に利⽤ ・引⽤ Pervin, Mst, et al. "Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation." arXiv preprint arXiv:2105.12106 (2021). ü Adversarial Attackの適⽤ Adversarial Attackをデータ⽔増しの際に組み込むことで、頑健性を保ったモデルが構築できたが チューニングが⾮常に難しくすべてのデータセットに対して有効化は引き続き研究の余地あり 前スライド右図 モデルの頑健性を検証 加える/削減するノイズを0.0~0.2の区間で検証 Inverse-FGSMをデータ⽔増しに使⽤したモデルは 頑健性が担保されていた

Slide 57

Slide 57 text

© 20211229 @tdys13 57 『AI×医⽤画像』の現状と可能性(2021年) まとめ • Transformer系研究が数多く発表された • 他領域で発明された研究は数ヶ⽉〜数年後に医療領域に⼊ってくる • ⾃⼰教師あり学習は医療領域でも成果を上げると アノテーションなどの実務的な課題を解決してくれる技術となるかも • Adversarial Attackなどの新領域研究も観測された

Slide 58

Slide 58 text

© 20211229 @tdys13 58 実世界でも活⽤が始まりつつある領域 ü マルチモーダル関連 arXiv (a)inputがCT画像のみのPENet (b)inputが電カル情報のみのElasticNet (c) (a)と(b)の結果を平均したアンサンブルモデル テストデータセットの詳細 検証結果 肺塞栓症を診断⽀援する研究 subsegmentalのみの肺塞栓症を診断することは検出能が劣る事が多く課題も残るのが現状 ・引⽤ Zhou, Yuyin, et al. "RadFusion: Benchmarking Performance and Fairness for Multimodal Pulmonary Embolism Detection from CT and EHR." arXiv preprint arXiv:2111.11665 (2021).

Slide 59

Slide 59 text

© 20211229 @tdys13 59 実世界でも活⽤が始まりつつある領域 肺塞栓症を診断⽀援する研究 subsegmentalのみの肺塞栓症を診断することは検出能が劣る事が多く課題も残るのが現状 ・引⽤ Zhou, Yuyin, et al. "RadFusion: Benchmarking Performance and Fairness for Multimodal Pulmonary Embolism Detection from CT and EHR." arXiv preprint arXiv:2111.11665 (2021). ü マルチモーダル関連 arXiv (a)inputがCT画像のみのPENet (b)inputが電カル情報のみのElasticNet (c) (a)と(b)の結果を平均したアンサンブルモデル テストデータセットの詳細 検証結果 本研究では臨床的意義が残るsubsegmentalのみの肺塞栓症に対しても 提案モデルで検出が出来ることを検証した

Slide 60

Slide 60 text

© 20211229 @tdys13 60 実世界でも活⽤が始まりつつある領域 ü マルチモーダル関連 Subsegmentalのみ/全部，年齢(0~80/80~) 、⼈種(white/else) 、性別(M/F)の区分で検証した結果 提案したマルチモーダル⼿法はきちんと精度が出ることが確認できた Subsegmentalのみ Subsegmental & Subsegmental以外 ・引⽤ Zhou, Yuyin, et al. "RadFusion: Benchmarking Performance and Fairness for Multimodal Pulmonary Embolism Detection from CT and EHR." arXiv preprint arXiv:2111.11665 (2021).

Slide 61

Slide 61 text

© 20211229 @tdys13 61 実世界でも活⽤が始まりつつある領域 連合学習にてMRIに映る前⽴腺のセグメンテーションを⾏う研究 (連合学習＋各病院にローカライズしたAutoML-SuperNet)で学習をする ・引⽤ Roth, Holger R., et al. "Federated Whole Prostate Segmentation in MRI with Personalized Neural Architectures." International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2021. ü Federated learning(連合学習)関連 MICCAI2021採択 (a):Searched Moduleの詳細 (b):SuperNetの構造 (c):探索していく際の概略図

Slide 62

Slide 62 text

© 20211229 @tdys13 62 実世界でも活⽤が始まりつつある領域 連合学習にてMRIに映る前⽴腺のセグメンテーションを⾏う研究 (連合学習＋各病院にローカライズしたAutoML-SuperNet)で学習をする ・引⽤ Roth, Holger R., et al. "Federated Whole Prostate Segmentation in MRI with Personalized Neural Architectures." International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2021. ü Federated learning(連合学習)関連 MICCAI2021採択 (a):Searched Moduleの詳細 (b):SuperNetの構造 (c):探索していく際の概略図 連合学習と各病院に特化したAutoMLを組み合わせることで 各病院にパーソナライズしたAIモデルを探索することが可能になり、連合学習のみより精度も向上

Slide 63

Slide 63 text

© 20211229 @tdys13 63 実世界でも活⽤が始まりつつある領域 超⾳波検査の⼿技を学習する強化学習研究 エコーの⼿技を学習するために計測⽤機器を製作、傾きや押し込む強さを計測できる． ü 強化学習関連 arXiv ・引⽤ https://arxiv.org/abs/2111.09739

Slide 64

Slide 64 text

© 20211229 @tdys13 64 実世界でも活⽤が始まりつつある領域 超⾳波検査の⼿技を学習する強化学習研究 エコーの⼿技を学習するために計測⽤機器を製作、傾きや押し込む強さを計測できる． ü 強化学習関連 arXiv ・引⽤ https://arxiv.org/abs/2111.09739 医師の⼿技を再現したマルチモーダルな強化学習モデルが実現可能かを実験した研究

Slide 65

Slide 65 text

© 20211229 @tdys13 65 実世界でも活⽤が始まりつつある領域 ü 強化学習関連 ・引⽤ https://arxiv.org/abs/2111.09739 提案法によりロバストな予測が可能となった 次なるステップはリアルタイム性とロボットシステムに移植することと述べた 上：予測したエコーの傾きと医師の⼿技(正解ラベル) 下：エコーの傾きに伴うエコー画像の⾒え⽅

Slide 66

Slide 66 text

© 20211229 @tdys13 66 既に発表された製品に対して 販売がされている結核スクリーニング⽤CADアプリケーションの性能評価をした研究 性能評価をするために独⾃にデータセットを作成し2名の医師との⽐較で検証(感度固定で特異度⽐較) 検証に⽤いられたCADメーカーは Qure.ai, Delft Imaging, DeepTek, Lunit, JF Healthcare, Infervision, OXIPOT, Artelus, EPCON, COTO, SemanticMD, DrCADxの12社 ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ジャーナル誌 Nature scientific reports掲載 ü 2021年までに販売されたAI医療機器の評価論⽂

Slide 67

Slide 67 text

© 20211229 @tdys13 67 既に発表された製品に対して 販売がされている結核スクリーニング⽤CADアプリケーションの性能評価をした研究 性能評価をするために独⾃にデータセットを作成し2名の医師との⽐較で検証(感度固定で特異度⽐較) 検証に⽤いられたCADメーカーは Qure.ai, Delft Imaging, DeepTek, Lunit, JF Healthcare, Infervision, OXIPOT, Artelus, EPCON, COTO, SemanticMD, DrCADxの12社 ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ジャーナル誌 Nature scientific reports掲載 ü 2021年までに販売されたAI医療機器の評価論⽂ 『市販されたAI医療機器は本当に医師同等の精度が出るのか』について 独⾃データセットを作り12機種に対して検証した研究

Slide 68

Slide 68 text

© 20211229 @tdys13 68 既に発表された製品に対して ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ü 2021年までに販売されたAI医療機器の評価論⽂ 6つのCADシステム（Qure.ai，DeepTek，Delft Imaging，JF Healthcare，OXIPIT，Lunit）が Expert Readerと同等だと判明した エキスパート医師(勤務歴30年以上)との⽐較結果

Slide 69

Slide 69 text

© 20211229 @tdys13 69 既に発表された製品に対して ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ü 2021年までに販売されたAI医療機器の評価論⽂ 1つのソフトウェア（Infervision）がIntermediate Readerのみと同等 通常医師(勤務歴5年程度)との⽐較結果

Slide 70

Slide 70 text

© 20211229 @tdys13 70 既に発表された製品に対して ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ü 2021年までに販売されたAI医療機器の評価論⽂ 3つのソフトウェア（Qure.ai、Delft Imaging、Lunit）が Intermediate Readerより優位性が⾼い事が判明 通常医師(勤務歴5年程度)との⽐較結果

Slide 71

Slide 71 text

© 20211229 @tdys13 71 既に発表された製品に対して ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ü 2021年までに販売されたAI医療機器の評価論⽂ 疑念「結核⾼負担国の多くが機器が古いため、今回のAIでは対応ができるのか？」 期待「intermediateな医師よりも精度が⾼いスクリーニング機器があることは良いこと」と述べた 通常医師(勤務歴5年程度)との⽐較結果

Slide 72

Slide 72 text

© 20211229 @tdys13 72 既に発表された製品に対して ・引⽤ Independent evaluation of 12 artificial intelligence solutions for the detection of tuberculosis https://www.nature.com/articles/s41598-021-03265-0 ü 2021年までに販売されたAI医療機器の評価論⽂ 「結核検査の実施者は正確なCADシステムとしてのAIを選択できるようになったが、 ⾊んな場所で導⼊されるためには費⽤対効果として適しているかなど考える必要がある」と締めた 通常医師(勤務歴5年程度)との⽐較結果

Slide 73

Slide 73 text

© 20211229 @tdys13 73 サーベイ論⽂やコンペティションの動向 胸部X線画像からCOVID-19肺炎を検出するコンペ、頭部MRIから腫瘍のバイオマーカー状態を予測するコンペ 胸部X線画像から異常部を検出するコンペ、(画像じゃないけれど)⼈⼯呼吸器の圧⼒を予測するコンペ などが開催された ・引⽤ SIIM-FISABIO-RSNA COVID-19 Detection https://www.kaggle.com/c/siim-covid19-detection VinBigData Chest X-ray Abnormalities Detection https://www.kaggle.com/c/vinbigdata-chest-xray-abnormalities-detection ü 引き続き医⽤画像に関するコンペティションが数多く開催された2021年 ・引⽤ RSNA-MICCAI Brain Tumor Radiogenomic Classification https://www.kaggle.com/c/rsna-miccai-brain-tumor-radiogenomic-classification Google Brain - Ventilator Pressure Prediction https://www.kaggle.com/c/ventilator-pressure-prediction

Slide 74

Slide 74 text

© 20211229 @tdys13 74 サーベイ論⽂やコンペティションの動向 GrandChallengeでは21の医⽤画像コンペが開催された ü 引き続き医⽤画像に関するコンペティションが数多く開催された2021年 引⽤： https://grand-challenge.org/

Slide 75

Slide 75 text

© 20211229 @tdys13 75 サーベイ論⽂やコンペティションの動向 ・引⽤ Deep Learning for Chest X-ray Analysis: A Survey https://arxiv.org/abs/2103.08700 Medical Visual Question Answering: A Survey https://arxiv.org/abs/2111.10056 ジャーナル誌 Medical Image Analysis投稿中 ü 多くのサーベイ論⽂が発表された • 胸部X線に関するサーベイ • 医⽤画像を⾃然⾔語処理を抽出するタスクに関するサーベイ arXiv • 連合学習に関するサーベイ • 医⽤画像におけるDomain Adaptationに関するサーベイ ・引⽤ Federated Learning for Smart Healthcare: A Survey https://arxiv.org/abs/2111.08834 Domain Adaptation for Medical Image Analysis: A Survey https://arxiv.org/abs/2102.09508 arXiv ジャーナル誌 ACM Computing Surveys採択

Slide 76

Slide 76 text

© 20211229 @tdys13 76 サーベイ論⽂やコンペティションの動向 ・引⽤ Deep Learning for Chest X-ray Analysis: A Survey https://arxiv.org/abs/2103.08700 Medical Visual Question Answering: A Survey https://arxiv.org/abs/2111.10056 ジャーナル誌 Medical Image Analysis投稿中 ü 多くのサーベイ論⽂が発表された • 胸部X線に関するサーベイ • 医⽤画像を⾃然⾔語処理を抽出するタスクに関するサーベイ arXiv • 連合学習に関するサーベイ • 医⽤画像におけるDomain Adaptationに関するサーベイ ・引⽤ Federated Learning for Smart Healthcare: A Survey https://arxiv.org/abs/2111.08834 Domain Adaptation for Medical Image Analysis: A Survey https://arxiv.org/abs/2102.09508 arXiv ジャーナル誌 ACM Computing Surveys採択 今回紹介した論⽂以外にも多くのサーベイ論⽂や研究がpublishされているので 興味がある⽅はぜひ⾒てみてください

Slide 77

Slide 77 text

© 20211229 @tdys13 77 『AI×医⽤画像』の現状と可能性(2021年) まとめ • マルチモーダル研究は実装フェーズに移っている感覚がある (AI医療機器やサービスとして裏側に搭載されている) • 2021年までに発売されたAI医療機器の評価論⽂なども出てきた • 数多くの研究やサーベイ論⽂が世に公表された • 独断と偏⾒で選んだ研究以外にも、 研究領域や研究対象は増えているので引き続き追いたい (個⼈的感想)

Slide 78

Slide 78 text

© 20211229 @tdys13 2. 3. 4. 1. 78 ⾃⼰紹介 世界の研究トレンド紹介 - 医⽤画像関連研究紹介 ⽇本のビジネストレンド紹介2021 - 部位別カオスマップ，技術紹介 まとめ

Slide 79

Slide 79 text

© 20211229 @tdys13 79 2021年の⽇本における医療AI 次のスライドから 事業会社さんや研究している 企業のご紹介です。 基本的に毎年プレスリリース を元に製作しております！

Slide 80

Slide 80 text

© 20211229 @tdys13 80 2021年の⽇本における医療AI(会社⼀覧) 2021.12 とどろき調べ

Slide 81

Slide 81 text

© 20211229 @tdys13 81 2021年の⽇本における医療AI(会社×協業先or共同研究先) 2021.12 とどろき調べ

Slide 82

Slide 82 text

© 20211229 @tdys13 82 2021年の⽇本における医療AI(会社×協業先or共同研究先) とどろきが個⼈的に調べたものなので不⾜等あると思います！ 不⾜分は勉強させてください！！ ここのリスト、25企業+α ⼀挙に紹介するよ！！ (論⽂が出ているものは軽く紹介するよ)

Slide 83

Slide 83 text

© 20211229 @tdys13 83 2021年の⽇本における医療AI 引⽤ 株式会社CogSmart プレスリリース 株式会社フィリップス・ジャパンとの事業提携開始のお知らせ https://bddb3830-d9a3-4b05-9ee1-1247c6ec356b.usrfiles.com/ugd/bddb38_7542903dfd274879af409801e86f715a.pdf 株式会社フィリップス・ジャパン プレスリリース 株式会社CogSmartと業務提携 https://www.philips.co.jp/a-w/about/news/archive/standard/about/news/press/2021/20210413-pr-philips-healthcare-brain-suite-precision-diagnosis.html p メモ - 株式会社CogSmartは東北⼤学発スタートアップ - BrainSuiteは脳健康レベルを可視化して将来の認知症予防アドバイスを⾏うサービス - BrainSuiteの開発にはSearch Space株式会社も開発パートナーとして参画している [株式会社フィリップス・ジャパン×株式会社CogSmart] 画像解析AI技術を活⽤した脳ドック⽤プログラム 『BrainSuite』提供開始 引⽤ BrainSuite(ブレインスイート) 公式ページ https://www.brainsuite.jp/ SearchSpace株式会社 https://searchspace.cloud/ja/medical/

Slide 84

Slide 84 text

© 20211229 @tdys13 84 2021年の⽇本における医療AI 引⽤ AMED プレスリリース 認知機能低下患者の顔を⾒分けることが出来るAIモデルの開発 https://www.amed.go.jp/news/release_20210126.html p メモ - 顔写真から認知機能が低下した患者と健常者を分類することが出来た - ⾮侵襲で安価なスクリーニング⼿法として期待ができる [国⽴⼤学法⼈東京⼤学×地⽅独⽴⾏政法⼈ 健康⻑寿医療センター] 認知機能低下患者の顔を⾒分けることが出来るAIモデルの開発

Slide 85

Slide 85 text

© 20211229 @tdys13 85 2021年の⽇本における医療AI 引⽤ Umeda-Kameyama, Yumi, et al. "Screening of Alzheimerʼs disease by facial complexion using artificial intelligence." Aging (Albany NY) 13.2 (2021): 1765. p メモ - Xception(optimizer:Adam)が最も精度が⾼かった - 感度/特異度/精度/AUCは87.31%、94.57%、92.56%、0.9717 - Face AI ScoreとMMSE間に密接かつ有意な相関が⾒られた [国⽴⼤学法⼈東京⼤学×地⽅独⽴⾏政法⼈ 健康⻑寿医療センター] 認知機能低下患者の顔を⾒分けることが出来るAIモデルの開発

Slide 86

Slide 86 text

© 20211229 @tdys13 86 2021年の⽇本における医療AI 引⽤ 株式会社Splink プレスリリース 「脳画像解析プログラムBraineer（ブレイニア）」が認知症診断を⽀援するソフトウェアとして薬事認可を取得 https://prtimes.jp/main/html/rd/p/000000006.000060865.html 認知症の早期発⾒にむけた脳ドック⽤プログラム「Brain Life Imaging ®」が ⼤⼿町 東京クリニックにて導⼊・運⽤開始 https://prtimes.jp/main/html/rd/p/000000007.000060865.html p メモ - Braineerは脳の萎縮を定量化・数値化する脳画像解析プログラム - Brain Life Imagingは海⾺領域の体積を測定、可視化することで わかりやすいレポートを⽣成する脳ドック⽤プログラム [株式会社Splink] 脳画像解析プログラム「Braineer」が薬事認証取得 脳ドック⽤プログラム「Brain Life Imaging」2機関にて導⼊・運⽤開始 引⽤ PMDA 認証報告 脳画像解析プログラムBraineer https://www.info.pmda.go.jp/ygo/pack/371222/303ADBZX00052000_A_01_02/

Slide 87

Slide 87 text

© 20211229 @tdys13 87 2021年の⽇本における医療AI 引⽤ シーメンスヘルスケア株式会社 プレスリリース 医療DXの成⻑推進を⽬指し、眼科画像AI診断⽀援サービスを提供する ⾃治医科⼤学発ベンチャー・DeepEyeVisionと提携を開始 https://www.siemens-healthineers.com/jp/press-room/press-releases/deepeyevision p メモ - DeepEyeVisionは⾃治医科⼤学発スタートアップ - DeepEyeVision(サービス)をteamplay digital health platform導⼊している 医療機関では通信インフラなどを追加せずに使⽤ができる [DeepEyeVision株式会社×シーメンスヘルスケア株式会社] 提携を開始。teamplay digital health platform上で 眼科画像AI診断⽀援サービスDeepEyeVisionを使⽤可能に

Slide 88

Slide 88 text

© 20211229 @tdys13 88 2021年の⽇本における医療AI 引⽤ ロート製薬株式会社 プレスリリース 眼の健康情報から全⾝疾患を予測するソリューションの創出に向けた共同研究契約 https://www.rohto.co.jp/research/researchnews/technologyrelease/2021/0907_01/ p メモ - 通常診断情報・⽣活習慣に関する調査データ・眼科検査画像を組み合わせて 未病段階の健康状態や疾患の早期発症予測・診断を⽬指す [ロート製薬株式会社×国⽴⼤学法⼈⼤阪⼤学×株式会社SAI] 眼の健康情報から全⾝疾患を予測する ソリューションの創出に向けた共同研究

Slide 89

Slide 89 text

© 20211229 @tdys13 89 2021年の⽇本における医療AI 引⽤ シーメンスヘルスケア株式会社 プレスリリース AI技術を⽤いた画像解析ソフト ウェア「AI-Rad Companion 」に3つのシリーズを追加 https://www.siemens-healthineers.com/jp/press-room/press-releases/pr-20210128-ai-rad-brain-mr.html p メモ - 解析機能10種類は肺結節検出、肺実質の計測・表⽰、肺密度計測、⼼臓容積、 冠動脈カルシウム計測、⼤動脈計測、胸椎⾻計測、(新)脳体積計測・表⽰、 (新)前⽴腺体積計測、 (新)臓器輪郭描出 [シーメンスヘルスケア株式会社] AI-Rad Companion(薬事承認済み)に新機能3種類追加 解析機能は計10種類に

Slide 90

Slide 90 text

© 20211229 @tdys13 90 2021年の⽇本における医療AI 引⽤ 富⼠フイルム株式会社 プレスリリース 「COVID-19肺炎画像解析プログラム」新発売 https://www.fujifilm.com/jp/ja/news/list/6646 p メモ - COVID-19肺炎候補部をマーキング&確信度を数値で表⽰する機能 [富⼠フイルム株式会社] CT画像を⽤いたCOVID-19肺炎画像解析プログラムの薬事承認取得 SYNAPSE VINCENT向けアプリケーションとして発売

Slide 91

Slide 91 text

© 20211229 @tdys13 91 2021年の⽇本における医療AI 引⽤ 富⼠フイルム株式会社 プレスリリース 「肋⾻⾻折検出プログラム」新発売 https://www.fujifilm.com/jp/ja/news/list/7017 p メモ - ⾻折部&⾻折候補部をマーキングする - 2次元画像から3次元画像を構成して⽴体的に観察する機能を有する [富⼠フイルム株式会社] CT画像を⽤いた肋⾻⾻折検出プログラムの薬事承認取得 SYNAPSE SAI Viewer向けアプリケーションとして発売

Slide 92

Slide 92 text

© 20211229 @tdys13 92 2021年の⽇本における医療AI 引⽤ コニカミノルタ株式会社 プレスリリース AIで医師の負担軽減に寄与する胸部X線画像診断⽀援ソフトウェア「CXR finding-i」 https://www.konicaminolta.com/jp-ja/newsroom/2021/1104-01-01.html p メモ - 肺がん疑いの結節影，肺炎や結核疑いの浸潤影を検出する - AI機能に加えて、同⼀⼈物の胸部X線過去画像と⽐較し どこに差分があるかを表⽰する機能などを有する [コニカミノルタ株式会社] 胸部X線画像診断⽀援ソフトウェア「CXR finding-i」の薬事承認取得 肺部の結節影，浸潤影を検出する

Slide 93

Slide 93 text

© 20211229 @tdys13 93 2021年の⽇本における医療AI 引⽤ ドクターネット株式会社 プレスリリース 胸部X線肺炎検出AIエンジン(COVID-19)の薬事承認を⽇本で初めて取得 https://dr-net.co.jp/news/2021/press_release/1284/ p メモ - ドクターネット株式会社は株式会社JMDCの⼦会社 - 胸部X線画像を20万枚学習させたDenseNetベースのAIモデル - 着⽬領域のマーキング、確信度の数値と段階表⽰、結果をレポート形式で出⼒可能 [ドクターネット株式会社×JLK group(韓国)] 新型コロナウイルス肺炎を含む感染性肺炎の画像診断⽀援AIエンジン 「胸部X線肺炎検出エンジン DoctorNet JLK-CRP」の薬事承認取得

Slide 94

Slide 94 text

© 20211229 @tdys13 94 2021年の⽇本における医療AI 引⽤ 株式会社カルディオインテリジェンス プレスリリース 先進的AI医療機器開発をめざす株式会社カルディオインテリジェンス 利⽤者に説明をしてくれる⼼電図解析AIを開発 https://prtimes.jp/main/html/rd/p/000000007.000063574.html p メモ - ⼼電図のどこに着⽬をしたかを表⽰する機能(イメージとしては⼼電図のGradCAM) - 感度97.1％、特異度94.5％、精度95.3％ AIが提⽰した検出根拠部位の94.5%は⼼臓専⾨医の⽬で⾒て妥当な部位だった [株式会社カルディオインテリジェンス] ⼼房細動の検出 & 利⽤者に説明をしてくれる⼼電図解析AIを開発

Slide 95

Slide 95 text

© 20211229 @tdys13 95 2021年の⽇本における医療AI 引⽤ アボットメディカルジャパン合同会社 プレスリリース アボット、国内初のAIを搭載した循環器OCT画像診断装置⽤ UltreonTM 1.0 ソフトウェアを発売 https://www.abbott.co.jp/media-center/press-releases/07-02-2021.html p メモ - 医師の経験に⼤きく頼っていた部分で定性/定量的な観点から⾄適治療のための意思決定が⾏える [アボットメディカルジャパン合同会社] 国内初のAIを搭載した循環器OCT画像診断装置⽤ ソフトウェアを発売 ⾎管の⽯灰化を⾃動的に定量化し可視化

Slide 96

Slide 96 text

© 20211229 @tdys13 96 2021年の⽇本における医療AI 引⽤ ⽇本電気株式会社 プレスリリース NEC、AIによる内視鏡画像解析でバレット⾷道の腫瘍検知技術を開発、世界で初めて製品としてCEマークに適合 https://jpn.nec.com/press/202105/20210528_01.html p メモ - 100万枚以上のバレット⾷道の内視鏡画像を専⾨医の所⾒と併せてAIに学習させた - オリンパス、富⼠フイルム、HOYAの内視鏡に対応 - 欧州で販売(⽇本での販売は未定) [⽇本電気株式会社] バレット⾷道に発⽣する腫瘍を検知する技術を開発しCEマーク取得 AI診断⽀援医療機器「WISE VISION Endoscopy」に搭載

Slide 97

Slide 97 text

© 20211229 @tdys13 97 2021年の⽇本における医療AI 引⽤ 岡⼭⼤学 プレスリリース 岡⼭⼤学が開発した早期胃癌AI診断システムの有⽤性 https://prtimes.jp/main/html/rd/p/000000331.000072793.html Hamada, Kenta, et al. "Application of convolutional neural networks for evaluating the depth of invasion of early gastric cancer based on endoscopic images." Journal of gastroenterology and hepatology (2021). p メモ - 胃がんは内視鏡⼿術/外科⼿術(胃の切除)を⾒分けるためにも正確な深達度評価が必須 - AIを⽤いた深達度正診率は約80%だった [株式会社両備システムズ×国⽴⼤学法⼈岡⼭⼤学] 開発した早期胃癌AI診断システムの有⽤性(80%の正診率)を確認

Slide 98

Slide 98 text

© 20211229 @tdys13 98 2021年の⽇本における医療AI 引⽤ 岡⼭⼤学 プレスリリース 岡⼭⼤学が開発した早期胃癌AI診断システムの有⽤性 https://prtimes.jp/main/html/rd/p/000000331.000072793.html Hamada, Kenta, et al. "Application of convolutional neural networks for evaluating the depth of invasion of early gastric cancer based on endoscopic images." Journal of gastroenterology and hepatology (2021). p メモ - モデル：ResNet152 - 学習データ：2,288枚/132⼈ テストデータ：1,220枚/68⼈ - 病変予測の感度85.3%、特異度82.4%、精度83.8% [株式会社両備システムズ×国⽴⼤学法⼈岡⼭⼤学] 開発した早期胃癌AI診断システムの有⽤性(80%の正診率)を確認

Slide 99

Slide 99 text

© 20211229 @tdys13 99 2021年の⽇本における医療AI 引⽤ 丸紅株式会社 プレスリリース 英国Perspectum社との医療⽤AI画像診断ソフトウェアに関する業務提携について 〜肝臓疾患診断・治療への貢献〜 https://www.marubeni.com/jp/news/2021/release/00046.html p メモ - Perspectum社(英)が開発したAI医療機器は既に⽶国/欧州では承認済み - 本機器を⽤いた検査により、⽣検に⽐べ時間・⼿間・⾝体的負担の軽減につながる [丸紅株式会社×Perspectum社(英)] 腹部MRIから脂肪性肝疾患/肝炎の診断⽀援を⾏う機器を開発 丸紅はPerspectum社製医療機器の国内薬事&展開を担う

Slide 100

Slide 100 text

© 20211229 @tdys13 100 2021年の⽇本における医療AI 引⽤ NVIDIA プレスリリース NVIDIA Clara Imagingが放射線治療のリアルタイム化を加速 https://blogs.nvidia.co.jp/2021/09/06/clara-imaging-casestudies-hibms/ p メモ - 連合学習モデルに加えて、独⾃に10万枚のCT画像を学習させた - 単純CT画像のみで既に⾼い精度の臓器輪郭を識別できる - 医師が前⽴腺をCT画像から抽出するには30分程かかるが、AIが⾏うことで1分程度になる [エヌビディア合同会社×株式会社ひょうご粒⼦線メディカルサポート] AIによるリアルタイムな腫瘍と周辺の正常な臓器輪郭の識別

Slide 101

Slide 101 text

© 20211229 @tdys13 101 2021年の⽇本における医療AI 引⽤ READYFOR プロジェクトページ 膵臓がん早期発⾒へ、診断内容をAIソフト化する為の画像を作成したい https://readyfor.jp/projects/suizougan-AI p メモ - PLUSMAN合同会社は汎⽤画像診断装置ワークステーション⽤プログラム(薬事認証済み) などを開発する企業 - CT画像から膵臓がんの早期発⾒を可能とするAIの開発を⽬指す [PLUSMAN合同会社×医療法⼈社団豊智会] AI画像診断で膵臓がんの早期発⾒を⽬指すプロジェクトとして READYFORにて開発費⽤のクラウドファンディングを実施

Slide 102

Slide 102 text

© 20211229 @tdys13 102 2021年の⽇本における医療AI 引⽤ グローリー株式会社 プレスリリース ⾻盤CT画像から⾻折を⾃動検出するAIモデルを開発 https://www.glory.co.jp/company/news/detail/id=1536 p メモ - ⾻折患者93名に含まれる⾻折389箇所に対して、⾻折検出性能は感度80.5%、適合率90.7% - ⾻折患者93名、⾮⾻折患者112名に対して すべての⾻折患者にて1つ以上の⾻折を検出(感度100%) ⾮⾻折患者においては96.4%で正しく⾻折がない(特異度96.4%)と判定 [グローリー株式会社×兵庫県⽴⼤学] ⾻盤CT画像から⾻折を⾃動検知するAIモデルの開発

Slide 103

Slide 103 text

© 20211229 @tdys13 103 2021年の⽇本における医療AI 引⽤ AMED プレスリリース 「AIによる筋病理判読アルゴリズム」の開発―深層学習を⽤いてAUC 0.996の判別精度を達成― https://www.amed.go.jp/news/release_20211004.html 基本的な顕微鏡と画像取り込み装置で撮影可能な顕微鏡画像による診断⽀援技術開発を⽬指す http://www.qlifepro.com/news/20211005/ai.html p メモ - 染⾊された病理検体1400検体を学習画像を作製 - 訓練されたモデルは、AUC 0.996 - 筋炎4種の分類および遺伝性筋疾患７種の分類も技術的に可能 [国⽴研究開発法⼈国⽴精神・神経医療研究センター×京都⼤学×⽇本IBM] AIを⽤いた病理画像からの筋病理判読アルゴリズムの開発

Slide 104

Slide 104 text

© 20211229 @tdys13 104 2021年の⽇本における医療AI 引⽤ Kabeya, Yoshinori, et al. "Deep convolutional neural network-based algorithm for muscle biopsy diagnosis." Laboratory Investigation (2021): 1-7. p 実験① - 学習データ：4,041枚 (染⾊された病理検体1,400検体から製作) - 対象：特発性炎症性筋疾患（治療可能） 遺伝性筋疾患（治療不可能） - 結果：AUC 0.996 p 実験② - 対象：特発性炎症性筋疾患（治療可能） を4クラス分類 - 結果：AUC 0.958 p 実験③ - 対象：遺伝性筋疾患（治療不可能） を7クラス分類 - 結果：AUC 0.936 [国⽴研究開発法⼈国⽴精神・神経医療研究センター×京都⼤学×⽇本IBM] AIを⽤いた病理画像からの筋病理判読アルゴリズムの開発

Slide 105

Slide 105 text

© 20211229 @tdys13 105 2021年の⽇本における医療AI 引⽤ メドメイン株式会社 プレスリリース 超⾳波内視鏡下穿刺吸引⽣検病理組織デジタル標本における膵癌の検出を可能にする 深層学習を⽤いた⼈⼯知能の開発に成功〜⾃然科学誌「Scientific Reports」に掲載〜 https://prtimes.jp/main/html/rd/p/000000013.000034505.html p メモ - 学習データは全国多数の共同研究施設の病理医が作成、 検証データは久留⽶⼤学の膵臓専⾨病理医3名によりコンセンサスが取られた症例を使⽤ - ROC-AUCが0.98、正解率94%、感度0.93、特異度0.97 [メドメイン株式会社×久留⽶⼤学] 膵臓からの超⾳波内視鏡下穿刺吸引⽣検標本において 膵癌を検出する⼈⼯知能の開発に成功

Slide 106

Slide 106 text

© 20211229 @tdys13 106 2021年の⽇本における医療AI 引⽤ Naito, Yoshiki, et al. "A deep learning model to detect pancreatic ductal adenocarcinoma on endoscopic ultrasound-guided fine-needle biopsy." Scientific reports 11.1 (2021): 1-8. p メモ(左図) - ab：がん細胞部分を検出 - cd：浸潤癌細胞の同定は必ずしも 正確には出来なかった - ef：⼩さながん細胞は検出困難 - gh：疑陽性例(胃腺を腺癌と誤認) - これ以外にも数多くの病理画像関連論⽂を メドメイン社は発表している [メドメイン株式会社×久留⽶⼤学] 膵臓からの超⾳波内視鏡下穿刺吸引⽣検標本において 膵癌を検出する⼈⼯知能の開発に成功

Slide 107

Slide 107 text

© 20211229 @tdys13 107 2021年の⽇本における医療AI 引⽤ オリンパス株式会社 プレスリリース 呉医療センター・中国がんセンターなど6施設との共同研究実⽤化に 向けて、胃がんを対象としたAI病理診断⽀援ソフトウェアの汎⽤性 を実証病理医の負担軽減につながる、感度100％、特異度50％以上 の精度を達成 https://www.olympus.co.jp/news/2021/nr02194.html p メモ - オリンパス社と6施設の共同研究 - 胃⽣検の病理標本に対してAI病理診断⽀援ソフトウェアが 感度100%、特異度50%以上の精度を達成 [オリンパス株式会社×独⽴⾏政法⼈国⽴病院機構 呉医療センター・中国がんセンターなど] 胃がんを対象としたAI病理診断⽀援ソフトウェアの汎⽤性を実証

Slide 108

Slide 108 text

© 20211229 @tdys13 108 2021年の⽇本における医療AI 引⽤ 株式会社biomy プレスリリース 世界最⾼性能のAI病理画像解析エンジンの開発に成功しました https://onl.tw/Y9wsHFe p メモ - 病理画像から上⽪細胞、リンパ球、マクロファージ、好中球のセグメンテーションと分類を⾏う IEEE ISBI 2020 Multi-organ Nuclei Segmentation And Classification Challenge にて1位だった Tissue Image Analytics Lab(英)の評価結果を⼤きく上回る病理画像解析エンジンの開発に成功 [株式会社biomy] 2020年の国際学会にて開催された病理画像コンペティション 1位チームを超える精度のAIモデルを開発

Slide 109

Slide 109 text

© 20211229 @tdys13 109 2021年の⽇本における医療AI 引⽤ 信濃毎⽇新聞 ⽪膚がんの診断をＡＩで⽀援 信州⼤病院とカシオ計算機が実⽤化にめど https://www.shinmai.co.jp/news/article/CNTS2021122600362 p メモ - 以前より研究をしていたプロジェクトの事業化 - 撮影カメラはカシオ製ダーモカメラで、既に発売済み - 2017年のメラノーマ分類コンペではカシオチームが世界1位 (余談：2020年上半期でも私は紹介していたみたい) [カシオ計算機株式会社×信州⼤学病院] ⽪膚がんの診断をＡＩで⽀援 信州⼤病院とカシオ計算機が実⽤化にめど ダーモカメラ HPより引⽤

Slide 110

Slide 110 text

© 20211229 @tdys13 110 2021年の⽇本における医療AI 引⽤ シーメンスヘルスケア株式会社 プレスリリース AI診断⽀援サービス等を提供するAIメディカルサービス、エルピクセル、Splinkと提携を開始 https://www.siemens-healthineers.com/jp/press-room/press-releases/pr-20211112-teamplay-partners p メモ - シーメンスヘルスケア社のクラウドサービスteamplay digital health platform上で 3社のAI診断⽀援サービスが使えるようになる - 内視鏡画像解析AI /頭部MRA画像から脳動脈瘤候補点検出AI / 脳ドック⽤AIプログラム [シーメンスヘルスケア株式会社×エルピクセル株式会社、株式会社Splink 株式会社AIメディカルサービス] AI診断⽀援サービスを提供する3社と提携

Slide 111

Slide 111 text

© 20211229 @tdys13 111 2021年の⽇本における医療AI 引⽤ アニコムホールディングス株式会社 プレスリリース 世界初！「ペットの顔写真から病気を予測する」システムの特許を取得 https://www.anicom.co.jp/release/2020/200205.html p メモ - ⼦会社にペット保険シェアNo1のアニコム損害保険株式会社があり事業共創を図る - トイ・プードルの顔写真を⽤いて１年以内に眼科疾患を発症するか予測実験 約70％の精度で疾患の有無を正しく回答 [アニコム ホールディングス株式会社] ペットの顔画像から病気予測をするAIの開発＆特許を取得

Slide 112

Slide 112 text

© 20211229 @tdys13 112 2021年の⽇本における医療AI 引⽤ 株式会社AIメディカルサービス プレスリリース 内視鏡検査映像を 5G で伝送して AI による画像診断補助を⾏う実証実験を実施 https://www.ai-ms.com/pr/20210326_pr_transmit-endoscopy-images-via-5G.pdf p メモ - 5G回線で内視鏡画像や映像を送信し、モニターに伝達させる スムーズさ・病変確認の可否を⽬視⽐較(4G/5G)→4Gと⽐べると5Gの⽅が画像鮮明度など勝る AI画像診断システムでの精度⽐較→精度に影響なし [株式会社AIメディカルサービス×ソフトバンク株式会社] 内視鏡AIの5G実証実験をAIホスピタルプロジェクトの⼀環として実施

Slide 113

Slide 113 text

© 20211229 @tdys13 113 2021年の⽇本における医療AI 引⽤ iSurgery株式会社 プレスリリース 国内初 AIを活⽤した⾻折の診断⽀援システムを電⼦カルテに組み込み、実証実験を開始 https://www.isurgery.tech/gamagori-ai-pj p メモ - 令和３年５⽉の電⼦カルテシステムの更新に合わせ、 国内初となるAIを活⽤した⾻折の診断⽀援システムを組み込み、実証実験を開始 - 研究⽬的であるため実際の診療には使⽤しないことを前提に 精度検証及び現場での活⽤に関する有⽤性評価を実施 [iSurgery株式会社×Search Space株式会社×蒲郡市⺠病院] AIを活⽤した⾻折の診断⽀援システムを電⼦カルテに組み込み、 実証実験を開始

Slide 114

Slide 114 text

© 20211229 @tdys13 114 『AI×医⽤画像』の現状と可能性(2021年) まとめ <ひと⼝メモ> • ⼤⼿医療機器メーカーとベンチャー企業/スタートアップ企業 の提携などが増えた • 以前から研究開発をしている企業の事業化などの動きも出てきている

Slide 115

Slide 115 text

© 20211229 @tdys13 115 ここからおまけ 医療機器の話& ⽇本で薬事承認された AI医療機器を全部紹介

Slide 116

Slide 116 text

© 20211229 @tdys13 116 医療機器には『医療機器分類』と分類に紐づく『規制』が設けられている 国際基準に合わせ，⼈体へのリスクより『クラスⅠ~Ⅳの分類』が適⽤される (おまけ)医療機器とは 引⽤： 新医療機器等と改良・後発医療機器の 区分および審査内容の違いについて https://www.pmda.go.jp/files/000155726.pdf

Slide 117

Slide 117 text

© 20211229 @tdys13 117 「プログラムが医療機器に該当するか」に関してはきちんとフローが決まっている ルールに則り該当性を確認する必要がある (おまけ)医療機器とは 引⽤： プログラムの医療機器該当性に関するガイドラインについて https://www.mhlw.go.jp/content/11120000/000764274.pdf 詳しくは 『プログラムの医療機器該当性に関するガイドラインについて』 で検索！ 令和3年3⽉31⽇付で公表された資料の別紙に左図が付いている

Slide 118

Slide 118 text

© 20211229 @tdys13 118 医療機器における『医療機器分類』と分類に紐づく『規制』の概略図 AI医療機器などのCADシステムは基本的に薬事承認が必要 (おまけ)医療機器とは

Slide 119

Slide 119 text

© 20211229 @tdys13 119 薬事承認を申請する際は3区分の中から該当する医療機器区分を申請 (おまけ)医療機器とは 引⽤： 新医療機器等と改良・後発医療機器の 区分および審査内容の違いについて https://www.pmda.go.jp/files/000155726.pdf p 新医療機器 - 既に製造販売の承認を受けている医療機器 (法第14 条の4第1項第1号及び第2号に規定する再審査期間を経過していないものを除く。以下、「既承認医療機器」 という。)と 構造，使⽤⽅法，効果または性能が明らかに異なる医療機器 p 改良医療機器 - 新医療機器にも後発医療機器にも該当しない医療機器 p 後発医療機器 - 既承認医療機器と構造、使⽤⽅法、効能、効果及び 性能が同⼀性を有すると認められる医療機器。 すなわち、既承認医療機器と構造、使⽤⽅法、効能、効果及び性能が実質的に同等であるもの 治験 臨床ありのみ 治験

Slide 120

Slide 120 text

© 20211229 @tdys13 120 (おまけ)コンピュータ診断⽀援機器(CAD)の話 発⾒ 鑑別 ⽣検 治療 ⼿術 CAD :コンピュータ診断⽀援（Computer-Aided Diagnosis）とは、X 線画像 に代表される放射線画像をはじめとする医⽤画像に対して、コンピュータで 定量的に解析された結果 を『第 2 の意⾒』として利⽤する『医師による診断 の⽀援』である。 CADe(Computer-Aided Detection) : 画像上で病変の疑いのある部位をコンピュータが⾃動検出し、 その位置をマーキングする機能を有する単体ソフトウェア⼜は当該ソフトウェアが組み込まれている装置。 コンピュータにより医⽤画像データのみ⼜は医⽤画像データと検査データの両⽅を処理し、 病変⼜は異常値の検出を⽀援する。 引⽤：薬⽣機審発0523 第2号 PMDA 令和元年5⽉23⽇ 次世代医療機器評価指標の公表について https://www.pmda.go.jp/files/000229738.pdf

Slide 121

Slide 121 text

© 20211229 @tdys13 121 (おまけ)コンピュータ診断⽀援機器(CAD)の話 発⾒ 鑑別 ⽣検 治療 ⼿術 CAD :コンピュータ診断⽀援（Computer-Aided Diagnosis）とは、X 線画像 に代表される放射線画像をはじめとする医⽤画像に対して、コンピュータで 定量的に解析された結果 を『第 2 の意⾒』として利⽤する『医師による診断 の⽀援』である。 CADx(Computer-Aided Diagnosis) : 病変の疑いのある部位の検出に加え、病変候補に関する良悪性鑑別や疾病の進⾏度等の定量的なデータを 数値やグラフ等として出⼒する機能を有する単体ソフトウェア⼜は 当該ソフトウェアが組み込まれている装置。 診断結果の候補やリスク評価に関する情報 等の提供等により診断⽀援を⾏うものを含む。 引⽤：薬⽣機審発0523 第2号 PMDA 令和元年5⽉23⽇ 次世代医療機器評価指標の公表について https://www.pmda.go.jp/files/000229738.pdf

Slide 122

Slide 122 text

© 20211229 @tdys13 122 (おまけ)コンピュータ診断⽀援機器(CAD)の話 発⾒ 鑑別 ⽣検 治療 ⼿術 CAD :コンピュータ診断⽀援（Computer-Aided Diagnosis）とは，X 線画像 に代表される放射線画像をはじめとする医⽤画像に対して，コンピュータで 定量的に解析された結果 を『第 2 の意⾒』として利⽤する『医師による診断 の⽀援』である． CADt(Computer-Aided Toriage) : CAD 技術を応⽤・拡張し、放射線科医が読影する前の撮影直後の画像を分析して、 対処の緊急性の 有無を専⾨医に提⽰・警告する装置。 ※まだ⽇本では区分として承認されてないものの、他国ではCADtで承認されているAI医療機器が既にある

Slide 123

Slide 123 text

© 20211229 @tdys13 123 ⽇本国内で薬事承認されたAI医療機器18個 2021.12 とどろき調べ

Slide 124

Slide 124 text

© 20211229 @tdys13 124 ⽇本国内で薬事承認されたAI医療機器18個 2021.12 とどろき調べ

Slide 125

Slide 125 text

© 20211229 @tdys13 125 ⽇本国内で薬事承認されたAI医療機器18個 2021.12 とどろき調べ

Slide 126

Slide 126 text

© 20211229 @tdys13 126 ⽇本国内で薬事承認されたAI医療機器18個 2021.12 とどろき調べ

Slide 127

Slide 127 text

© 20211229 @tdys13 127 ⽇本国内で薬事承認されたAI医療機器18個 2021.12 とどろき調べ

Slide 128

Slide 128 text

© 20211229 @tdys13 128 ⽇本国内で薬事承認されたAI医療機器18個(COVID-19系) 2021.12 とどろき調べ

Slide 129

Slide 129 text

© 20211229 @tdys13 129 市販後のAI医療機器について p 前提知識：AI医療機器は現状、 販売後の⾃動的なAI学習は禁⽌されている Ø 国が求める性能評価をクリアしたAIモデルで フリーズさせる必要がある p 本題：そのため市販後にAIの追加学習を⾏い 精度が向上した場合などは簡単に ソフトウェアアップデートなどは出来ず、 ⼀部変更申請を国へ申請する必要がある。 引⽤： サイバネットシステム株式会社 プレスリリース AIを搭載した⼤腸内視鏡画像診断⽀援プログラム「EndoBRAIN®-EYE」、 機能強化バージョンが医薬品医療機器等法（薬機法）⼀部変更承認取得 https://www.cybernet.jp/company/about/news/press/2021/20210420.html 引⽤： エルピクセル株式会社 プレスリリース 医⽤画像解析ソフトウェア EIRL Brain Aneurysm、⼀部変更申請の承認を取得 https://lpixel.net/news/press-release/2021/10319/ EndoBRAIN開発企業 サイバネットシステム株式会社 EIRL Brain Aneurysm開発企業 エルピクセル株式会社

Slide 130

Slide 130 text

© 20211229 @tdys13 130 市販後のAI医療機器について p 前提知識：AI医療機器は現状、 販売後の⾃動的なAI学習は禁⽌されている Ø 国が求める性能評価をクリアしたAIモデルで フリーズさせる必要がある p 本題：そのため市販後にAIの追加学習を⾏い 精度が向上した場合などは簡単に ソフトウェアアップデートなどは出来ず、 ⼀部変更申請を国へ申請する必要がある。 引⽤： サイバネットシステム株式会社 プレスリリース AIを搭載した⼤腸内視鏡画像診断⽀援プログラム「EndoBRAIN®-EYE」、 機能強化バージョンが医薬品医療機器等法（薬機法）⼀部変更承認取得 https://www.cybernet.jp/company/about/news/press/2021/20210420.html 引⽤： エルピクセル株式会社 プレスリリース 医⽤画像解析ソフトウェア EIRL Brain Aneurysm、⼀部変更申請の承認を取得 https://lpixel.net/news/press-release/2021/10319/ EndoBRAIN開発企業 サイバネットシステム株式会社 EIRL Brain Aneurysm開発企業 エルピクセル株式会社 AI医療機器の規制に関する緩和を求め規制改⾰会議などが開かれている

Slide 131

Slide 131 text

© 20211229 @tdys13 引⽤： Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) - Discussion Paper and Request for Feedback https://www.fda.gov/media/122535/download 131 規制に関する動き(⽶国) p FDAは2019年4⽉に 『アルゴリズムをロックしないAI/MLを⽤いた プログラム医療機器(SaMD)に対して どのように対応を取り組んでいくのかについての考え⽅』 をディスカッション・ペーパーとして⽰しました

Slide 132

Slide 132 text

© 20211229 @tdys13 引⽤： Artificial Intelligence and Machine Learning (AI/ML) Software as a Medical Device Action Plan https://www.fda.gov/media/145022/download 132 規制に関する動き(⽶国) p その後2021年1⽉に 『アルゴリズムをロックしないAI/MLを⽤いた プログラム医療機器(SaMD)の規制をより具体的に考えるため』 のアクションプランを⽰しました 今後逐次学習が可能なAI医療機器が上市されるかもしれません

Slide 133

Slide 133 text

© 20211229 @tdys13 133 『AI×医⽤画像』の現状と可能性(2021年) まとめ <ひと⼝メモ> • 2021.12.29現在，AI医療機器の薬事承認取得はさらに増えた • 逐次学習可能なAI医療機器を上市するためのアクションプランが FDAでは発表された • ⽇本でも規制緩和に向けた提⾔などが始まった

Slide 134

Slide 134 text

© 20211229 @tdys13 2. 3. 4. 1. 134 ⾃⼰紹介 世界の研究トレンド紹介 - 医⽤画像関連研究紹介 ⽇本のビジネストレンド紹介2021 - 部位別カオスマップ，技術紹介 まとめ

Slide 135

Slide 135 text

© 20211229 @tdys13 135 まとめ 様々な技術がニーズと共に進化した テクノロジー×医療はやっぱり⾯⽩い！！！

Slide 136

Slide 136 text

© 20211229 @tdys13 136 最後に 昨今の動向を鑑みると 『AI×医⽤画像の現状と可能性』というスライドタイトルは 来年にはマルチモーダルになっているかもしれません！(多分変えないけど) 引き続き『アカデミアの最新動向』と『現場実応⽤の最新動向』を 趣味で楽しく追っていけたらと思います！！ PS. 轟は⼀緒にリサーチをし合える仲間を引き続き探してます！