Tweet
Tweet

Slide 1

Slide 1 text

© 20181204 @Tdys13 『 AI×医⽤画像 』 の現状と可能性 ⽴命館⼤学 情報理⼯学研究科 修⼠2年 轟 佳⼤ 1

Slide 2

Slide 2 text

© 20181204 @Tdys13 2 本スライドは製作者が趣味でリサーチしていたものをまとめ， 11⽉に「AI×医⽤画像」というテーマで講演をした際のスライドです． (イメージとして，この分野に⻑けている⽅ではなく なんとなく知っている，もっと知りたい⽅向けに作成させて頂きました．) きちんと出典元から情報を引⽤し，まとめたつもりではありますが， ⾄らぬ点が点在する可能性がございます． その際は何なりとお知らせしていただけると幸いです このスライドを⼿に取ってくれる⽅に AI×医療の難しさと⾯⽩さが伝わりますことを願って． 20181204

Slide 3

Slide 3 text

© 20181204 @Tdys13 2. 3. 4. 1. 3 ⾃⼰紹介 世界の研究トレンド紹介 - AIの基礎，医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ，技術紹介 まとめ

Slide 4

Slide 4 text

© 20181204 @Tdys13 2. 3. 4. 1. 4 ⾃⼰紹介 世界の研究トレンド紹介 - AIの基礎，医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ，技術紹介 まとめ

Slide 5

Slide 5 text

© 20181204 @Tdys13 -所属- ⽴命館⼤学 情報理⼯学研究科 修⼠2年 - 研究テーマ - 「深層学習を⽤いたCT画像に映る肝臓腫瘍候補⾃動検出」 分野：医⽤画像処理，機械学習，深層学習 -略歴- 2017.4 ⽴命館⼤学 ⼤学院 ⼊学 2017.8 ~ 11 シンガポール国⽴情報研究所 (A*star/i2r Knowledge-Assisted Vision Lab) -好きなもの- #最新テクノロジー，#ヘルスケア，#アイス (20181204時点) 5 轟 佳⼤ (ﾄﾄﾞﾛｷ ﾖｼﾋﾛ) ：@Tdys13

Slide 6

Slide 6 text

© 20181204 @Tdys13 2. 3. 4. 1. 6 ⾃⼰紹介 世界の研究トレンド紹介 - AIの基礎，医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ，技術紹介 まとめ

Slide 7

Slide 7 text

© 20181204 @Tdys13 7 ⼈⼯知能(AI)について Ҿ༻ɿ ɾ"*EFNZTUJGJFE IUUQTXXXDBMMBHIBOJOOPWBUJPOHPWUO[CMPHBJEFNZTUJGJFE

Slide 8

Slide 8 text

© 20181204 @Tdys13 8 ⼈⼯知能(AI)について Ҿ༻ɿ ɾ"*EFNZTUJGJFE IUUQTXXXDBMMBHIBOJOOPWBUJPOHPWUO[CMPHBJEFNZTUJGJFE

Slide 9

Slide 9 text

© 20181204 @Tdys13 9 ⼈⼯知能(AI)について Ҿ༻ɿ ɾ/7*%*" ϒϩά ਓ޻஌ೳɺػցֶशɺσΟʔϓϥʔχϯάͷҧ͍ͱ͸ IUUQTCMPHTOWJEJBDPKQ XIBUTEJGGFSFODFBSUJGJDJBMJOUFMMJHFODFNBDIJOFMFBSOJOHEFFQMFBSOJOHBJ

Slide 10

Slide 10 text

© 20181204 @Tdys13 10 ⼈⼯知能(AI)について Ҿ༻ɿ ɾ/7*%*" ϒϩά ਓ޻஌ೳɺػցֶशɺσΟʔϓϥʔχϯάͷҧ͍ͱ͸ IUUQTCMPHTOWJEJBDPKQ XIBUTEJGGFSFODFBSUJGJDJBMJOUFMMJHFODFNBDIJOFMFBSOJOHEFFQMFBSOJOHBJ

Slide 11

Slide 11 text

© 20181204 @Tdys13 11 医⽤画像処理について - MRI - CT - PET - X線 - 超⾳波 - 内視鏡 - 細胞画像 - その他撮影⼿法 (眼底画像など) - 病変検出 - 病変分類 - セグメテーション - ⽣成 - 超解像 - 推定(動作) - 画像処理 - パターン認識 - 機械学習 - 深層学習 - 教師あり学習 - 半教師あり学習 - 教師なし学習 < 医⽤画像 > < ⼿法 > < 最終⽬的 >

Slide 12

Slide 12 text

© 20181204 @Tdys13 12 医⽤画像処理について 2017 Nature Letterに投稿されたStanford University研究グループの論⽂ 『⽪膚の病変画像』を『深層学習(教師あり学習)』にて『分類』した Ҿ༻ɿ ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS XJUIEFFQOFVSBMOFUXPSLT /BUVSF

Slide 13

Slide 13 text

© 20181204 @Tdys13 13 医⽤画像処理について - MRI - CT - PET - X線 - 超⾳波 - 内視鏡 - 細胞画像 - ͦͷଞࡱӨख๏ (眼底画像など) - 病変検出 - පม෼ྨ - セグメテーション - ⽣成 - 超解像 - 推定(動作) - ը૾ॲཧ - パターン認識 - 機械学習 - ਂ૚ֶश - ڭࢣ͋Γֶश - 半教師あり学習 - 教師なし学習 < 医⽤画像 > < ⼿法 > < 最終⽬的 >

Slide 14

Slide 14 text

© 20181204 @Tdys13 14 医⽤画像処理について - MRI - CT - PET - X線 - 超⾳波 - 内視鏡 - 細胞画像 - ͦͷଞࡱӨख๏ (眼底画像など) - 病変検出 - 病変分類 - セグメテーション - ⽣成 - 超解像 - 推定(動作) - ը૾ॲཧ - パターン認識 - 機械学習 - ਂ૚ֶश - ڭࢣ͋Γֶश - 半教師あり学習 - 教師なし学習 < 医⽤画像 > < ⼿法 > < 最終⽬的 > ⽣成モデル GAN… 検出モデル SSD,Yolo,Fast-RCNN… 分類モデル VGG,Inception,ResNet… セグメンテーションモデル FCN,Unet… その他モデル Bert，R2D2…

Slide 15

Slide 15 text

© 20181204 @Tdys13 15 Ҩ఻ࢠղੳ ݕ਍ɾૣظൃݟ ਍அ ࣏ྍ ༧ஹɾ༧๷ AIの医療応⽤

Slide 16

Slide 16 text

© 20181204 @Tdys13 16 Ҩ఻ࢠղੳ ˕ݕ਍ɾૣظൃݟ ˕਍அ ࣏ྍ ༧ஹɾ༧๷ 現状は診断⽀援の際に⽤いることを前提に 研究や実⽤化されていることが多い(医⽤画像を⽤いたもの) AIの医療応⽤

Slide 17

Slide 17 text

© 20181204 @Tdys13 17 深層学習×医⽤画像の研究トレンド 医⽤画像処理のトップカンファレンス Computer Vision分野の トップカンファレンス 機械学習分野の トップカンファレンス

Slide 18

Slide 18 text

© 20181204 @Tdys13 18 深層学習×医⽤画像の研究トレンド 医⽤画像処理の世界的コンペティション Ҿ༻ɿ ɾLBHHMF IUUQTXXXLBHHMFDPNDPNQFUJUJPOT TPSU#ZHSPVQFEHSPVQJO$MBTT ɾ(SBOE$IBMMFOHFTJO#JPNFEJDBM*NBHF"OBMZTJT IUUQTHSBOEDIBMMFOHFPSHDIBMMFOHFT

Slide 19

Slide 19 text

© 20181204 @Tdys13 19 2015年以降，深層学習×医⽤画像の論⽂が急増した 深層学習×医⽤画像の研究トレンド(最新) ※2017年1⽉時点 医⽤画像分野の論⽂数 Ҿ༻ɿ ɾ -JUKFOT (FFSU FUBM "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT .FEJDBMJNBHFBOBMZTJT

Slide 20

Slide 20 text

© 20181204 @Tdys13 20 医⽤画像分野でのAI応⽤は年々増加している 深層学習×医⽤画像の研究トレンド(最新) 医⽤画像分野の論⽂数 Ҿ༻ɿ ɾ"*͕ҩྍը૾෼໺Ͱ΋ֵ৽Λىͤ͜Δ͔ʁ /7*%*"͕ܝ͛Δ࠷৽ͷʮϓϩδΣΫτɾΫϥϥʯ 1SPKFDU$MBSB ʯͱ͸ IUUQTSPCPUTUBSUJOGPOWJEJBDMBSBIUNM

Slide 21

Slide 21 text

© 20181204 @Tdys13 21 MICCAI2018において，acceptされた論⽂の7割以上が深層学習分野 深層学習×医⽤画像の研究トレンド(最新)

Slide 22

Slide 22 text

© 20181204 @Tdys13 22 MRI，内視鏡，CTの順に多い 深層学習×医⽤画像の研究トレンド(最新) 医⽤画像研究にて使⽤される画像 Ҿ༻ɿ ɾ -JUKFOT (FFSU FUBM "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT .FEJDBMJNBHFBOBMZTJT

Slide 23

Slide 23 text

© 20181204 @Tdys13 23 臓器のセグメンテーション，病変等の検出が多い 深層学習×医⽤画像の研究トレンド(最新) 医⽤画像研究の⽬的 Ҿ༻ɿ ɾ -JUKFOT (FFSU FUBM "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT .FEJDBMJNBHFBOBMZTJT

Slide 24

Slide 24 text

© 20181204 @Tdys13 24 病理画像，脳の順に多い 深層学習×医⽤画像の研究トレンド(最新) 医⽤画像研究にて対象となる部位 Ҿ༻ɿ ɾ -JUKFOT (FFSU FUBM "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT .FEJDBMJNBHFBOBMZTJT

Slide 25

Slide 25 text

© 20181204 @Tdys13 25 部位別の世界研究トレンド分布(脳部) ೴෦ͷݚڀ ・メインはEU(イギリス)，北⽶(アメリカ，カナダ) ・その他は東アジア(台湾)，ロシア ・脳腫瘍，脳⾎管疾病，アルツハイマー 深層学習×医⽤画像の研究トレンド(最新) ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ ݚڀ͕ߦΘΕ͍ͯΔ ※2018年11⽉時点 とどろき調べ

Slide 26

Slide 26 text

© 20181204 @Tdys13 26 深層学習×医⽤画像の研究トレンド(最新) 部位別の世界研究トレンド分布(乳部) ೕ෦ͷݚڀ ・メインはEU(イギリス)，アメリカ ・その他は東アジア(⽇本，台湾)，南アフリカ， オーストラリア ・乳がんがほとんど ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ ݚڀ͕ߦΘΕ͍ͯΔ ※2018年11⽉時点 とどろき調べ

Slide 27

Slide 27 text

© 20181204 @Tdys13 27 深層学習×医⽤画像の研究トレンド(最新) 部位別の世界研究トレンド分布(肺部) ഏ෦ͷݚڀ ・メインは中国とアメリカ ・その他はEU(フランス)とオーストラリア ・肺結節，肺炎など ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ ݚڀ͕ߦΘΕ͍ͯΔ ※2018年11⽉時点 とどろき調べ

Slide 28

Slide 28 text

© 20181204 @Tdys13 28 深層学習×医⽤画像の研究トレンド(最新) 部位別の世界研究トレンド分布(腹部) ෲ෦ͷݚڀ ・メインは東アジア(中国，台湾，⽇本) ・その他はEUとアメリカ ・肝臓腫瘍がほとんど ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ ݚڀ͕ߦΘΕ͍ͯΔ ※2018年11⽉時点 とどろき調べ

Slide 29

Slide 29 text

© 20181204 @Tdys13 29 深層学習×医⽤画像の研究トレンド(最新) 部位別の世界研究トレンド分布(病理) පཧͷݚڀ ・メインはEU(イギリス，ドイツ)，アメリカ ・その他は東アジア(シンガポール)，ロシア， ・がん細胞，細胞分裂など ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ ݚڀ͕ߦΘΕ͍ͯΔ ※2018年11⽉時点 とどろき調べ

Slide 30

Slide 30 text

© 20181204 @Tdys13 30 深層学習×医⽤画像の研究トレンド <頭部> 脳：脳腫瘍，アルツハイマー，脳⾎管疾患 ⽬：糖尿病網膜症，緑内障 ⻭：⼝腔内病変 <胸部> ⼼臓：⾎管，脂肪 乳部：腫瘍 肺 ：肺結節，肺炎 胃 ：腫瘍，胃潰瘍 <腹部> 肝臓：腫瘍，肝臓部 腸 ：腫瘍 <その他> 病理-細胞：がん細胞，細胞分裂 ⽪膚- ：腫瘍

Slide 31

Slide 31 text

© 20181204 @Tdys13 31 深層学習×医⽤画像の研究トレンド <頭部> 脳：脳腫瘍(検出，セグメンテーション)，アルツハイマー(検出，分類)，脳⾎管疾患(検出) ⽬：糖尿病網膜症(検出)，緑内障(検出) ⻭：⼝腔内病変(検出．セグメンテーション) <胸部> ⼼臓：⾎管(検出)，脂肪(セグメンテーション) 乳部：腫瘍(検出，分類) 肺 ：肺結節(検出，分類)，肺炎(検出) 胃 ：腫瘍(検出)，胃潰瘍(検出) <腹部> 肝臓：腫瘍(検出，分類，セグメンテーション)，肝臓部(⽣成) 腸 ：腫瘍(検出，分類) <その他> 病理-細胞：がん細胞(検出，分類，セグメンテーション)，細胞分裂(検出) ⽪膚- ：腫瘍(分類) - 検出 - 分類 - セグメテーション - ⽣成 - 超解像 - 推定(動作) <ジャンル>

Slide 32

Slide 32 text

© 20181204 @Tdys13 32 『AI×医⽤画像』の現状と将来 ⼀旦休憩 <ひと⼝メモ> ・最新の医⽤画像トップカンファでは⼤半の研究が深層学習になった ・世界的には病理画像や脳病変の研究が多い ・部位や病変によっては地域性がある

Slide 33

Slide 33 text

© 20181204 @Tdys13 33 深層学習×画像処理のトレンド 元画像:bench 検出 分類 セグメンテーション ⽣成 bench ベンチを⾒つける 画像に映る 割合が⾼い物体が 何なのか分類する 画像に映る物体を 分類した上で 領域抽出する 元画像をベースに 似ている画像を作る bench: 98% dog : 1% train : 0.5% ⽬的別の違いをざっくり説明

Slide 34

Slide 34 text

© 20181204 @Tdys13 34 深層学習×画像処理のトレンド(モデルについて) ILSVRCという画像分類コンペティション このコンペティションが深層学習ブーム(3度⽬)を巻き起こした

Slide 35

Slide 35 text

© 20181204 @Tdys13 35 2012 トロント⼤学 Hinton博⼠(現Google) 深層学習×画像処理のトレンド(モデルについて) Ҿ༻ɿ ɾ%S)JOUPO IUUQTTDIPMBSHPPHMFDPVLDJUBUJPOT VTFS+JD:1E"""""+IMFO

Slide 36

Slide 36 text

© 20181204 @Tdys13 36 2014 オックスフォード⼤学の研究室 Visual Geometry Group(VGG，現DeepMind) 深層学習×画像処理のトレンド(モデルについて) Ҿ༻ɿ ɾ7((@PYGPSE IUUQTTDIPMBSHPPHMFDPVLDJUBUJPOT VTFS+JD:1E"""""+IMFO

Slide 37

Slide 37 text

© 20181204 @Tdys13 37 2014 Google (GoogLeNetの呼称 : Inception) 深層学習×画像処理のトレンド(モデルについて)

Slide 38

Slide 38 text

© 20181204 @Tdys13 38 2015 Kaiming He(Facebook AI Research) 深層学習×画像処理のトレンド(モデルについて) Ҿ༻ɿ ɾ,BJNJOH@)F IUUQTTDIPMBSHPPHMFDPNDJUBUJPOT VTFS%IU"'LX""""+IMKB

Slide 39

Slide 39 text

© 20181204 @Tdys13 39 AlexNet, VGG, GoogleNet, ResNetなどの深層学習モデルは このコンペにて性能が証明され，世界に広まった 深層学習×画像処理のトレンド(モデルについて)

Slide 40

Slide 40 text

© 20181204 @Tdys13 40 ResNetのアルゴリズムはAlphaGoに搭載され，世界最強棋⼠に勝った 深層学習×画像処理のトレンド(モデルについて) Ҿ༻ɿ ɾΞϧϑΝޟWT͋ͳͨ ͦΕ͸ެฏͳউෛͰ͸ͳ͍ IUUQTCBDLZBSEJNKQDPKQBSUJDMFTTIFMMZ@CMPH@

Slide 41

Slide 41 text

© 20181204 @Tdys13 41 『AI×医⽤画像』の現状と将来 ⼀旦休憩 <ひと⼝メモ> ・物体分類コンペで優勝したモデルがDL界の当たり前を作った ・モデルが深くなり計算資源が益々必要になっているが， それと同時に計算資源も進歩している ・とにかくスピードが早い！

Slide 42

Slide 42 text

© 20181204 @Tdys13 42 深層学習×画像処理のトレンド(⼀般物体検出) ⼀般物体検出における検出タスクは “バウンディングボックス” と呼ばれる物体の⼤枠を推測することが⽬的

Slide 43

Slide 43 text

© 20181204 @Tdys13 43 推測された⼤枠の⾯積がGround Truth(正解領域)とどれだけ⼀致するか 深層学習×画像処理のトレンド(⼀般物体検出)

Slide 44

Slide 44 text

© 20181204 @Tdys13 44 深層学習×画像処理のトレンド(⼀般物体検出) ⼀般物体検出タスクにおける深層学習モデルの流れ

Slide 45

Slide 45 text

© 20181204 @Tdys13 45 YOLOv2(YOLO9000)&RefineDetにてSOTA*1を迎える 深層学習×画像処理のトレンド(⼀般物体検出) ⼀般物体検出タスクにおける深層学習モデルの流れ *1SOTA:state-of-the-art 最も結果の良い最新⼿法の意

Slide 46

Slide 46 text

© 20181204 @Tdys13 46 『X線画像』を⽤いて『深層学習』で『肺部疾病の検出&分類』をした 深層学習×画像処理のトレンド(医⽤画像-検出) Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713 *&&&$POGFSFODFPO*&&&

Slide 47

Slide 47 text

© 20181204 @Tdys13 47 CTやMRIでの検出タスクはヒートマップが使われることがある (病変の位置を⾒るため) <技術概要> Trainデータ : 8種類の疾病含む 胸部X線画像“ChestX-ray8” 使⽤ネットワーク : AlexNet,GoogleNet VGG,ResNet ⼊⼒(Testデータ) : 未知の胸部x線画像 出⼒ : 病変名&病変位置 深層学習×画像処理のトレンド(医⽤画像-検出) Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713 *&&&$POGFSFODFPO*&&&

Slide 48

Slide 48 text

© 20181204 @Tdys13 48 散らばっているデータを整理し，データセットを作成した (世界中の誰でもが使える形に精製した) 深層学習×画像処理のトレンド(医⽤画像-検出) <技術概要> Trainデータ : 8種類の疾病含む 胸部X線画像“ChestX-ray8” 使⽤ネットワーク : AlexNet,GoogleNet VGG,ResNet ⼊⼒(Testデータ) : 未知の胸部x線画像 出⼒ : 病変名&病変位置 Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713 *&&&$POGFSFODFPO*&&&

Slide 49

Slide 49 text

© 20181204 @Tdys13 49 『腹部CT画像』を⽤いて『CNN』で『肝臓腫瘍の検出』をした 深層学習×画像処理のトレンド(医⽤画像-検出) Ҿ༻ QSFTVCNJUUJOH5PEPSPLJ@:PTIJIJSP

Slide 50

Slide 50 text

© 20181204 @Tdys13 50 CTやMRIでの検出タスクは『腫瘍のみの結果画像』が返されることが多い <技術概要> Trainデータ : 5種類の腫瘍を含む 腹部CT画像 使⽤ネットワーク : Mics-CNN(提案モデル) ⼊⼒(Testデータ) : 未知の腹部CT画像 出⼒ : 腫瘍の場所 深層学習×画像処理のトレンド(医⽤画像-検出) Red : TP / Green : FP / Blue : FN Ҿ༻ QSFTVCNJUUJOH5PEPSPLJ@:PTIJIJSP

Slide 51

Slide 51 text

© 20181204 @Tdys13 51 『内視鏡画像』を⽤いて『SSD』で『⼤腸病変の検出』をした 深層学習×画像処理のトレンド(医⽤画像-検出) Ҿ༻ ɾ"PLJ 5PNPOPSJ FUBM "VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOTJOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFT CBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL (BTUSPJOUFTUJOBM&OEPTDPQZ

Slide 52

Slide 52 text

© 20181204 @Tdys13 52 内視鏡画像系や⽪膚系タスクでは，⼤枠で囲う検出表⽰⽅法がメイン <技術概要> Trainデータ : 内視鏡画像 (5,360枚) 使⽤ネットワーク : SSD ⼊⼒(Testデータ) : 未知の内視鏡画像 (10,440枚) 出⼒ : 腫瘍の場所 深層学習×画像処理のトレンド(医⽤画像-検出) ⻩枠：医師により検出された病変 緑枠：AIにより検出された病変 Ҿ༻ ɾ"PLJ 5PNPOPSJ FUBM "VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOTJOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFT CBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL (BTUSPJOUFTUJOBM&OEPTDPQZ

Slide 53

Slide 53 text

© 20181204 @Tdys13 53 『AI×医⽤画像』の現状と可能性(研究のトレンド編) まとめ(検出タスク) <ひと⼝メモ> ・CTやMRIでの検出タスクは ヒートマップやセグメンテーションのような結果を返すことが多い ・内視鏡画像や⽪膚画像での検出タスクは ⼀般物体検出で⽤いられるモデル(YOLOなど)を⽤いた検出が多い

Slide 54

Slide 54 text

© 20181204 @Tdys13 54 深層学習×画像処理のトレンド(⼀般物体分類) ILSVRCという画像分類コンペティション このコンペティションが深層学習ブーム(3度⽬)を巻き起こした

Slide 55

Slide 55 text

© 20181204 @Tdys13 55 深層学習×医⽤画像のトレンド(医⽤画像-分類) 『⽪膚の病変画像』を『GoogLeNet(Inception v3)』にて『腫瘍の分類』をした Ҿ༻ɿ ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS XJUIEFFQOFVSBMOFUXPSLT /BUVSF

Slide 56

Slide 56 text

© 20181204 @Tdys13 56 757種類の⽪膚病変画像を学習させ，未知な病変を「757種&悪性度」にて分類した <技術概要> Trainデータ : 757種類の⽪膚病変画像 (約13万枚) 使⽤ネットワーク: Inception v3 ⼊⼒(Testデータ) : 未知の病変画像 出⼒ : 病変名(+悪性度) 深層学習×医⽤画像のトレンド(医⽤画像-分類) Ҿ༻ɿ ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS XJUIEFFQOFVSBMOFUXPSLT /BUVSF

Slide 57

Slide 57 text

© 20181204 @Tdys13 57 分類精度は現役の⽪膚科医の分類精度を超えた 深層学習×医⽤画像のトレンド(医⽤画像-分類) <技術概要> Trainデータ : 757種類の⽪膚病変画像 (約13万枚) 使⽤ネットワーク: Inception v3 ⼊⼒(Testデータ) : 未知の病変画像 出⼒ : 病変名(+悪性度) Ҿ༻ɿ ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS XJUIEFFQOFVSBMOFUXPSLT /BUVSF

Slide 58

Slide 58 text

© 20181204 @Tdys13 58 『腹部MR画像』を『3D CNN』にて『腫瘍の悪性度分類(Low:ステージ1,2/ high:ステージ3,4)』をした 深層学習×医⽤画像のトレンド(医⽤画像-分類) Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&&

Slide 59

Slide 59 text

© 20181204 @Tdys13 59 CNNを⽤いて患者のステージ分布を⾏なった論⽂ <技術概要> Trainデータ : 腹部MR画像 肝細胞がん(HCC)罹患患者 使⽤ネットワーク : 3D CNN ⼊⼒(Testデータ) : HCC罹患者の腹部MR画像 出⼒ : クラス分類 (悪性度-早期or遅期) 深層学習×医⽤画像のトレンド(医⽤画像-分類) Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&&

Slide 60

Slide 60 text

© 20181204 @Tdys13 60 『脳MRI画像』を⽤いて『ResNet』にて『アルツハイマー罹患患者の分類』をした 深層学習×医⽤画像のトレンド(医⽤画像-分類) Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&&

Slide 61

Slide 61 text

© 20181204 @Tdys13 61 アルツハイマー患者の脳画像を学習し，患者がアルツハイマー罹患者かを分類する →軽度認知障害を罹患する患者も⾒抜けることが分かった 深層学習×医⽤画像のトレンド <技術概要> Trainデータ : アルツハイマー患者の 脳MRI 使⽤ネットワーク : Res-Net，VoxCNN ⼊⼒(Testデータ) : 脳MRI画像 出⼒ : クラス分類 (アルツハイマーor 軽度認知障害or正常) ↑ResNet ↑VoxCNN Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&&

Slide 62

Slide 62 text

© 20181204 @Tdys13 62 『AI×医⽤画像』の現状と可能性(研究のトレンド編) まとめ(分類タスク) <ひと⼝メモ> ・医⽤画像での分類タスクは症例の分類や重篤度の分類など ・医師並み，医師を超えたと報告される研究結果も出ている

Slide 63

Slide 63 text

© 20181204 @Tdys13 63 『病理画像』を⽤いて『U-Net』にて『細胞のセグメンテーション』をした 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS BOE5IPNBT#SPY 6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN

Slide 64

Slide 64 text

© 20181204 @Tdys13 64 ISBI cell tracking challengeにて優勝し注⽬される (先ほど紹介した医⽤画像コンペティション) <技術概要> Trainデータ : コンペ側が⽤意した細胞画像 使⽤ネットワーク : U-Net ⼊⼒(testデータ) : 細胞画像 出⼒ : セグメンテーション結果 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS BOE5IPNBT#SPY 6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN

Slide 65

Slide 65 text

© 20181204 @Tdys13 65 『医⽤画像セグメンテーションコンペで優勝 → ⼀般物体セグメンテーションに応⽤』 という流れを作ったセグメンテーション界のトップ <技術概要> Trainデータ : コンペ側が⽤意した細胞画像 使⽤ネットワーク : U-Net ⼊⼒(testデータ) : 細胞画像 出⼒ : セグメンテーション結果 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS BOE5IPNBT#SPY 6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN

Slide 66

Slide 66 text

© 20181204 @Tdys13 66 『3Dのraw画像』を『3D U-Net』にて『腎臓部のセグメンテーション』をした 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿ ɾªJÇFL ¹[HÛO FUBM %6/FUMFBSOJOHEFOTFWPMVNFUSJDTFHNFOUBUJPOGSPNTQBSTFBOOPUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBM*NBHF$PNQVUJOH BOE$PNQVUFS"TTJTUFE*OUFSWFOUJPO4QSJOHFS $IBN

Slide 67

Slide 67 text

© 20181204 @Tdys13 67 U-Netが考案された翌年に，3D U-Netが考案された <技術概要> Trainデータ : 腎部の映るraw画像 使⽤ネットワーク : 3D U-Net ⼊⼒(Testデータ) : 3Dのraw画像 出⼒ : 腎部セグメンテーション 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿ ɾªJÇFL ¹[HÛO FUBM %6/FUMFBSOJOHEFOTFWPMVNFUSJDTFHNFOUBUJPOGSPNTQBSTFBOOPUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBM*NBHF$PNQVUJOH BOE$PNQVUFS"TTJTUFE*OUFSWFOUJPO4QSJOHFS $IBN

Slide 68

Slide 68 text

© 20181204 @Tdys13 68 『腹部CT画像』を『H-DenseU-Net』にて『肝臓腫瘍&肝臓部セグメンテーション』した 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿɾ -J 9JBPNFOH FUBM )%FOTF6/FU)ZCSJEEFOTFMZDPOOFDUFE6OFU GPSMJWFSBOEMJWFSUVNPSTFHNFOUBUJPOGSPN$5WPMVNFT BS9JW QSFQSJOUBS9JW

Slide 69

Slide 69 text

© 20181204 @Tdys13 69 Miccai Liver Tumor Segmentation Challengeにて優勝 (先ほど紹介した医⽤画像コンペティション) <技術概要> Trainデータ : 腹部CT画像 使⽤ネットワーク : U-Net+3D-Unet+DenseNet ⼊⼒(Testデータ) : 腹部CT画像 出⼒ : セグメンテーション結果 深層学習×医⽤画像のトレンド(医⽤画像-Seg) Ҿ༻ɿɾ -J 9JBPNFOH FUBM )%FOTF6/FU)ZCSJEEFOTFMZDPOOFDUFE6OFU GPSMJWFSBOEMJWFSUVNPSTFHNFOUBUJPOGSPN$5WPMVNFT BS9JW QSFQSJOUBS9JW

Slide 70

Slide 70 text

© 20181204 @Tdys13 70 しかし近年の医⽤画像セグメンテーション系は SOTAを⽬指すがあまりモデルが複雑化しつつある 深層学習×医⽤画像のトレンド(医⽤画像-Seg) <技術概要> Trainデータ : 腹部CT画像 使⽤ネットワーク : U-Net+3D-Unet+DenseNet ⼊⼒(Testデータ) : 腹部CT画像 出⼒ : セグメンテーション結果 Ҿ༻ɿɾ -J 9JBPNFOH FUBM )%FOTF6/FU)ZCSJEEFOTFMZDPOOFDUFE6OFU GPSMJWFSBOEMJWFSUVNPSTFHNFOUBUJPOGSPN$5WPMVNFT BS9JW QSFQSJOUBS9JW

Slide 71

Slide 71 text

© 20181204 @Tdys13 71 『AI×医⽤画像』の現状と可能性(研究のトレンド編) まとめ(セグメンテーションタスク) <ひと⼝メモ> ・医⽤画像セグメンテーションコンペで優勝したモデル(U-Net)が ⼀般物体セグメンテーションなどでも使⽤されている ・最近はいろんなセグメンテーションモデルの複合モデルが 登場しており，SOTA⽬指すが故にモデルがややこしくなってる

Slide 72

Slide 72 text

© 20181204 @Tdys13 72 『偽札造り(Generator)』と『偽札を⾒抜く検査官(Discriminator)』 深層学習×画像処理のトレンド(⼀般物体⽣成) Ҿ༻ɿ ɾ3BEGPSE "MFD -VLF.FU[ BOE4PVNJUI $IJOUBMB 6OTVQFSWJTFESFQSFTFOUBUJPOMFBSOJOH XJUIEFFQDPOWPMVUJPOBMHFOFSBUJWFBEWFSTBSJBMOFUXPSLT BS9JW QSFQSJOUBS9JW

Slide 73

Slide 73 text

© 20181204 @Tdys13 73 『偽札造り(Generator)』と『偽札を⾒抜く検査官(Discriminator)』 深層学習×画像処理のトレンド(⼀般物体⽣成) Discriminatorに 本物と誤認識させるような 偽物を作る ⼊⼒画像が 本物か偽物か⾒分ける Ҿ༻ɿ ɾ3BEGPSE "MFD -VLF.FU[ BOE4PVNJUI $IJOUBMB 6OTVQFSWJTFESFQSFTFOUBUJPOMFBSOJOH XJUIEFFQDPOWPMVUJPOBMHFOFSBUJWFBEWFSTBSJBMOFUXPSLT BS9JW QSFQSJOUBS9JW

Slide 74

Slide 74 text

© 20181204 @Tdys13 74 深層学習×画像処理のトレンド(⼀般物体⽣成) ホテルの部屋画像を学習し， この世に無いホテルの部屋画像を⽣成 それぞれの⼈間が持つ特徴を抽出し 新たな特徴を持つ⼈間の写真を⽣成 Ҿ༻ɿ ɾ3BEGPSE "MFD -VLF.FU[ BOE4PVNJUI $IJOUBMB 6OTVQFSWJTFESFQSFTFOUBUJPOMFBSOJOH XJUIEFFQDPOWPMVUJPOBMHFOFSBUJWFBEWFSTBSJBMOFUXPSLT BS9JW QSFQSJOUBS9JW

Slide 75

Slide 75 text

© 20181204 @Tdys13 75 深層学習×画像処理のトレンド(⼀般物体⽣成) Ҿ༻ɿ ɾ"*"SUBU$ISJTUJF`T4FMMTGPS IUUQTXXXOZUJNFTDPNBSUTEFTJHOBJBSUTPMEDISJTUJFTIUNM

Slide 76

Slide 76 text

© 20181204 @Tdys13 76 深層学習×医⽤画像のトレンド(医⽤画像-⽣成) CTから取得した肝臓腫瘍 GANにより⽣成された肝臓腫瘍の⽣成画像 『肝臓腫瘍病変画像』を『GAN』にて『⽣成』 『⽣成した画像』を『CNN』にて『学習』 『未知の病変画像』を『CNN』にて『分類』 Ҿ༻ɿ ɾ'SJE"EBS .BBZBO FUBM ("/CBTFE4ZOUIFUJD.FEJDBM*NBHF"VHNFOUBUJPOGPSJODSFBTFE$//1FSGPSNBODF JO-JWFS-FTJPO$MBTTJGJDBUJPO BS9JW QSFQSJOUBS9JW

Slide 77

Slide 77 text

© 20181204 @Tdys13 77 GANを⽤いて肝臓腫瘍っぽい画像を⽣成した <技術概要> Trainデータ : 肝臓腫瘍病変画像 使⽤ネットワーク : GAN ⼊⼒(Testデータ) : 腹部CT画像 出⼒ : 肝臓腫瘍に似ている画像 深層学習×医⽤画像のトレンド(医⽤画像-⽣成) Ҿ༻ɿ ɾ'SJE"EBS .BBZBO FUBM ("/CBTFE4ZOUIFUJD.FEJDBM*NBHF"VHNFOUBUJPOGPSJODSFBTFE$//1FSGPSNBODF JO-JWFS-FTJPO$MBTTJGJDBUJPO BS9JW QSFQSJOUBS9JW

Slide 78

Slide 78 text

© 20181204 @Tdys13 78 GANで作られた肝臓腫瘍っぽい画像で，⽣成データを⽤いて肝臓腫瘍を分類した <技術概要> Trainデータ : GANによって⽣成された 肝臓腫瘍病変画像 使⽤ネットワーク : CNN ⼊⼒(Testデータ) : 腹部CT画像 出⼒ : 分類結果 (胚のうor肝⾎管腫or転移がん) 深層学習×医⽤画像のトレンド(医⽤画像-⽣成) Ҿ༻ɿ ɾ'SJE"EBS .BBZBO FUBM ("/CBTFE4ZOUIFUJD.FEJDBM*NBHF"VHNFOUBUJPOGPSJODSFBTFE$//1FSGPSNBODF JO-JWFS-FTJPO$MBTTJGJDBUJPO BS9JW QSFQSJOUBS9JW

Slide 79

Slide 79 text

© 20181204 @Tdys13 79 『眼球の⾎管マスク画像と眼球画像』を『GAN』にて『⽣成』をした 深層学習×医⽤画像のトレンド(医⽤画像-⽣成) Ҿ༻ɿ ɾ(VJCBT +PIO5 5FKQBM 47JSEJ BOE1FUFS4-J 4ZOUIFUJD.FEJDBM*NBHFTGSPN%VBM(FOFSBUJWF"EWFSTBSJBM/FUXPSLTz BS9JW QSFQSJOUBS9JW

Slide 80

Slide 80 text

© 20181204 @Tdys13 80 GANを２回⽤いて眼球画像と眼球⾎管マスク画像を⽣成 <技術概要> Trainデータ : 本物の眼球⾎管マスク画像 使⽤ネットワーク : GAN 出⼒(⽣成画像1) : 眼球⾎管マスク画像のような画像 Trainデータ : 本物の眼球画像と眼球⾎管マスク画像(ペア) ⼊⼒ : ⽣成画像1 出⼒ : ⽣成画像1とペアになる⽣成された眼球画像 ←本物画像 ←GANによる ⽣成画像 深層学習×医⽤画像のトレンド(医⽤画像-⽣成) Ҿ༻ɿ ɾ(VJCBT +PIO5 5FKQBM 47JSEJ BOE1FUFS4-J 4ZOUIFUJD.FEJDBM*NBHFTGSPN%VBM(FOFSBUJWF"EWFSTBSJBM/FUXPSLTz BS9JW QSFQSJOUBS9JW

Slide 81

Slide 81 text

© 20181204 @Tdys13 81 GANを２回⽤いて眼球画像と眼球⾎管マスク画像を⽣成 ←本物画像 ←GANによる ⽣成画像 深層学習×医⽤画像のトレンド(医⽤画像-⽣成) <技術概要> Trainデータ : 本物の眼球⾎管マスク画像 使⽤ネットワーク : GAN 出⼒(⽣成画像1) : 眼球⾎管マスク画像のような画像 Trainデータ : 本物の眼球画像と眼球⾎管マスク画像(ペア) ⼊⼒ : ⽣成画像1 出⼒ : ⽣成画像1とペアになる⽣成された眼球画像 Ҿ༻ɿ ɾ(VJCBT +PIO5 5FKQBM 47JSEJ BOE1FUFS4-J 4ZOUIFUJD.FEJDBM*NBHFTGSPN%VBM(FOFSBUJWF"EWFSTBSJBM/FUXPSLTz BS9JW QSFQSJOUBS9JW

Slide 82

Slide 82 text

© 20181204 @Tdys13 82 『AI×医⽤画像』の現状と可能性(研究のトレンド編) まとめ(⽣成タスク) <ひと⼝メモ> ・GANが急激に市⺠権を得ている (⽇常でニュースを⾒かけることが多くなった) ・医⽤画像の⽣成タスクは医師が作る時間がかかるマスク画像や そもそもデータ取得が難しい希少なデータの⽣成などに使⽤される

Slide 83

Slide 83 text

© 20181204 @Tdys13 83 その他DL研究のトレンド(おまけ) 深層学習ネットワーク ・GoogleNet (Inception v3) - Google AI Research - 2012年に考案されたネットワーク - ネットワーク考案者が映画INCEPTIONのファン ”We need to go deeper”という台詞から取ったと⾔われている 映画 INCEPTION Ҿ༻ɿ ɾ(PJOH%FFQFSXJUI$POWPMVUJPOT IUUQTXXXDTVODFEVdXMJVQBQFST(PPH-F/FUQEG ɾIUUQHMFFXJLJBDPNXJLJ'JMF8FOFFEUPHPEFFQFS@JODFQUJPOKQH ɾBNB[PO Πϯηϓγϣϯ<%7%>

Slide 84

Slide 84 text

© 20181204 @Tdys13 84 その他DL研究のトレンド(おまけ) ⾃然⾔語処理分野 ・BERT (Pre-training of Deep Bidirectional Transformers for Language Understanding) - Google AI Language - 画像分野ではImageNetなどの⼤規模画像データセットを 事前学習するpre-train⼿法があるが⾃然⾔語処理分野にてもそのポジションが爆誕 - 各結果でSOTA(State-Of-The-Art) - 最近の最新⼿法にてELMOという⼿法があり その⼿法よりも良いという事でBERT セサミストリートのキャラクター Ҿ༻ɿ ɾBS9JW #&351SFUSBJOJOHPG%FFQ#JEJSFDUJPOBM5SBOTGPSNFSTGPS-BOHVBHF6OEFSTUBOEJOH IUUQTBSYJWPSHBCT ɾηαϛετϦʔτެࣜαΠτ

Slide 85

Slide 85 text

© 20181204 @Tdys13 85 その他DL研究のトレンド(おまけ) 強化学習分野： AIに報酬を与え，⾃⼰学習的に結果を向上することが⽬的の研究分野 ・R2D2 (the Recurrent Replay Distributed DQN ) - ゲームの攻略を強化学習にて⾏った - atariのゲーム57種類が強化学習研究において指標として度々⽤いられる 他にはスーパーマリオブラザーズやパックマン，ソニックなど - 最近の最新⼿法のApe-Xよりも良いという事で SOTAを更新した スターウォーズのキャラクター[2] Ҿ༻ɿ ɾ3FDVSSFOU&YQFSJFODF3FQMBZJO%JTUSJCVUFE3FJOGPSDFNFOU-FBSOJOH IUUQTPQFOSFWJFXOFUGPSVN JESMZ5K"R:9 ɾελʔ΢ΥʔζެࣜαΠτ

Slide 86

Slide 86 text

© 20181204 @Tdys13 86 『AI×医⽤画像』の現状と可能性(研究のトレンド編) まとめ(おまけ) <ひと⼝メモ> ・僕も好きな映画やキャラクターの名前つけたモデル考案したい

Slide 87

Slide 87 text

© 20181204 @Tdys13 2. 3. 4. 1. 87 ⾃⼰紹介 世界の研究トレンド紹介 - AIの基礎，医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ，技術紹介 まとめ

Slide 88

Slide 88 text

© 20181204 @Tdys13 88 AI×ヘルスケア領域のスタートアップへ2013年以降，計$4.3Bの投資がされている AI×ヘルスケアの市場 Ҿ༻ɿ ɾ$#*/4*()54 IUUQTBQQDCJOTJHIUTDPNSFTFBSDISFQPSUBJUSFOETIFBMUIDBSF

Slide 89

Slide 89 text

© 20181204 @Tdys13 89 中でも，診断領域は近年のさらなる発展が注⽬されている AI×ヘルスケアの市場 Ҿ༻ɿ ɾ$#*/4*()54 IUUQTBQQDCJOTJHIUTDPNSFTFBSDISFQPSUBJUSFOETIFBMUIDBSF

Slide 90

Slide 90 text

© 20181204 @Tdys13 90 AIを⽤いた診断領域は今春FDA認可されるなど，最もホットな領域 海外では AI-as-a-medical-deviceなどと呼ばれる(まだsaasなどの略称はない) AIを⽤いた診断領域の市場 Ҿ༻ɿ ɾ$#*/4*()54 IUUQTBQQDCJOTJHIUTDPNSFTFBSDISFQPSUBJUSFOETIFBMUIDBSF

Slide 91

Slide 91 text

© 20181204 @Tdys13 91 世界は進んでる！ ⽇本はどうなの！

Slide 92

Slide 92 text

© 20181204 @Tdys13 92 ⽇本におけるAI×医⽤画像診断(会社⼀覧) 2018 1116 とどろき調べ ⽇本で事業を⾏う会社(研究⽤途・研究段階含む)&プレスリリースを⾏なっている限定

Slide 93

Slide 93 text

© 20181204 @Tdys13 93 ⽇本におけるAI×医⽤画像診断(会社×共同研究先) 2018 1116 とどろき調べ ⽇本で事業を⾏う会社(研究⽤途・研究段階含む)&プレスリリースを⾏なっている限定

Slide 94

Slide 94 text

© 20181204 @Tdys13 94 ⽇本におけるAI×医⽤画像診断(会社×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！！ ここのリストの企業(34事業) ⼀挙に紹介するよ！！

Slide 95

Slide 95 text

© 20181204 @Tdys13 95 ⽇本におけるAI×医⽤画像診断(会社×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！！ 技術公開している事業のみ 技術紹介も詳しくやるよ！

Slide 96

Slide 96 text

© 20181204 @Tdys13 96 ⽇本におけるAI×医⽤画像診断(詳細) [ ./&4ʷ -1JYFM ʷ ϝσΟΧϧνΣοΫελδΦ ] 脳病変部の遠隔診断および病変検出 ・技術的視点 - ルックレックというサービス - AI構築に必要なデータ整備ができる ・サービスの流れ A E () E 引⽤ ・メディカルチェックスタジオhttps://medicalcheckstudio.jp/ ・株式会社エムネス https://www.mnes.org/ ・Google Cloud Platfprm Japan Blog 「株式会社エムネスの導⼊事例」2018 0914 https://cloudplatform-jp.googleblog.com/2018/09/mens-app-engine-kubernetes-Engine.html ・PR TIMES「予防医学のアンファーがスマート脳ドックをプロデュース」 2018 0118 https://prtimes.jp/main/html/rd/p/000000129.000013377.html

Slide 97

Slide 97 text

© 20181204 @Tdys13 ・技術的視点 - Trainデータ : 1271枚のMRA画像 (1477個の脳動脈瘤) - ネットワーク : ???? - Testデータ : 未知のMRA画像 - 出⼒結果 : 検出 97 ⽇本におけるAI×医⽤画像診断(詳細) [ -1JYFM ʷ େࡕࢢཱେֶ ] 脳動脈瘤の検出 ・サービスの流れ 引⽤： ・⼤阪市⽴⼤学 深層学習を⽤いたAIによる脳動脈瘤検出アルゴリズム AI補助下での読影精度の向上を検証 2018 1024 https://www.osaka-cu.ac.jp/ja/news/2018/181024-2 ・6FEB %BJKV FUBM %FFQMFBSOJOHGPS.3BOHJPHSBQIZBVUPNBUFEEFUFDUJPOPGDFSFCSBMBOFVSZTNT 3BEJPMPHZ

Slide 98

Slide 98 text

© 20181204 @Tdys13 98 ⽇本におけるAI×医⽤画像診断(詳細) [ 015*.ʷ ࠤլେֶ ] 眼底画像からの緑内障の診断⽀援(研究⽤途) ・サービスの流れ Ҿ༻ɿ ɾ ϝσΟΧϧΠϊϕʔγϣϯݚڀॴ ྟচݚڀΛ։࢝ IUUQTXXXPQUJNDPKQOFXTEFUBJM ɾϝσΟΧϧΠϊϕʔγϣϯݚڀॴ IUUQTXXXPQUJNDPKQNFEJDBMNJMBC

Slide 99

Slide 99 text

© 20181204 @Tdys13 99 ⽇本におけるAI×医⽤画像診断(詳細) [ 2VFVFʷ ౦େපӃ ] 眼底画像からの緑内障の診断⽀援 ・サービスの流れ ! ! Ҿ༻ɿ ɾ2VFVFJOD IUUQTXXXRVFVFJODDPNOFXTOFXT

Slide 100

Slide 100 text

© 20181204 @Tdys13 100 ⽇本におけるAI×医⽤画像診断(詳細) [ 2VFVFʷ ౦େපӃ ] 眼底画像からの緑内障の診断⽀援 ・サービスの流れ ! ! ・技術的視点 - Trainデータ : 緑内障患者の眼底画像(1,364枚) ⾮緑内障者の眼底画像(1,768枚) - ネットワーク : ResNet - Testデータ : 未知の眼底画像(110枚) - 出⼒結果 : 緑内障の テストデータに対する検出精度→96.5% 実験結果と医師診察との⽐較 Ҿ༻ɿ ɾ 4IJCBUB /BPUP FUBM %FWFMPQNFOUPGBEFFQSFTJEVBMMFBSOJOHBMHPSJUIN UPTDSFFOGPSHMBVDPNBGSPNGVOEVTQIPUPHSBQIZ 4DJFOUJGJDSFQPSUT ɾ2VFVFJOD IUUQTXXXRVFVFJODDPNOFXTOFXT

Slide 101

Slide 101 text

© 20181204 @Tdys13 101 ⽇本におけるAI×医⽤画像診断(詳細) [ 3JTU ʷπΧβΩපӃ ] 広⾓眼底画像からの網膜中⼼静脈閉塞症(CRVO)の判定 ・サービスの流れ 引⽤： ɾ ʲੈքॳʳ޿֯؟ఈը૾͔Β"*Λ༻͍ͯ໢ບத৺੩຺ด࠹঱൑ఆͰ"6$Λୡ੒ IUUQTXXXSJTUDPKQOFXT

Slide 102

Slide 102 text

© 20181204 @Tdys13 102 ⽇本におけるAI×医⽤画像診断(詳細) [ 3JTU ʷπΧβΩපӃ ] 広⾓眼底画像からの網膜中⼼静脈閉塞症(CRVO)の判定 ・サービスの流れ ・技術的視点 - Trainデータ : CRVO者(125名) ⾮CRVO者(238名)の眼底画像 - ネットワーク : 事前学習(ImageNet)+VGG - Testデータ : 未知の眼底画像 - 出⼒結果 : CRVO or それ以外 引⽤： ɾ /BHBTBUP %BJTVLF FUBM%FFQ/FVSBM/FUXPSL#BTFE.FUIPE GPS%FUFDUJOH$FOUSBM3FUJOBM7FJO0DDMVTJPO6TJOH6MUSBXJEF'JFME'VOEVT0QIUIBMNPTDPQZ +PVSOBMPG0QIUIBMNPMPHZ ɾ ʲੈքॳʳ ޿֯؟ఈը૾͔Β"*Λ༻͍ͯ໢ບத৺੩຺ด࠹঱൑ఆͰ"6$Λୡ੒ IUUQTXXXSJTUDPKQOFXT

Slide 103

Slide 103 text

© 20181204 @Tdys13 103 ⽇本におけるAI×医⽤画像診断(詳細) [ .JF5FDI ʷ ܚጯେֶҩֶ෦؟Պڭࣨ ʷ 0,8"7&] 眼底写真を⽤いた眼疾患のスクリーニング⽀援 ・サービスの流れ ・技術的視点 - Trainデータ : 9,400枚の眼底画像 - ネットワーク : ???? - Testデータ : 未知の眼底画像 - 出⼒結果 : 眼疾患のクラス分類 引⽤： ・⽇本経済新聞 電⼦版 2018 02⽉13⽇ 慶⼤医学部眼科教室とMieTechとオウケイウェイヴ、 「眼底の疾患をスクリーニングするAI」の開発に着⼿ https://www.nikkei.com/article/DGXLRSP471323_T10C18A2000000/ ・プレスリリース ܚጯେֶҩֶ෦؟Պڭࣨͱ.JF5FDIͱΦ΢έΠ΢ΣΠϰɺ ʮ؟ఈͷ࣬ױΛεΫϦʔχϯά͢Δ"*ʯͷ։ൃʹணख https://www.okwave.co.jp/press/20180213/

Slide 104

Slide 104 text

© 20181204 @Tdys13 104 ⽇本におけるAI×医⽤画像診断(詳細) [ $3&4$0 ϛωϧϰΝείʔϓ ʷ ໊ݹ԰ࢢཱେֶ ] 眼底写真を⽤いた眼疾患のスクリーニング⽀援(研究⽤途) ・サービスの流れ 引⽤： ・ݚڀ༻؟࣬ױ൑ఆ"*Τϯδϯ .JOFSWBF 4$01& ϛωϧϰΝ είʔϓ https://www.cresco.co.jp/service/minervae/minervae-scope/

Slide 105

Slide 105 text

© 20181204 @Tdys13 105 ⽇本におけるAI×医⽤画像診断(詳細) <WFSJMZʷ /JLPO> 網膜画像を⽤いた⼼疾患リスクの予測(研究段階) ・サービスの流れ 引⽤： ・⽇経新聞 電⼦版 2016/12/27 IUUQTXXXOJLLFJDPNBSUJDMF%(9-341@9$"

Slide 106

Slide 106 text

© 20181204 @Tdys13 106 ⽇本におけるAI×医⽤画像診断(詳細) <WFSJMZʷ /JLPO> 網膜画像を⽤いた⼼疾患リスクの予測(研究段階) ・サービスの流れ ・技術的視点 - Trainデータ : 28万4335⼈分の患者データ - ネットワーク : 事前学習+Inception v3 - Testデータ : 12,026⼈&999⼈の眼底画像 - 出⼒結果 : 年齢，性別，BMI，⾎圧 喫煙習慣の有無，⼼臓発作の経験 引⽤： ・⽇経新聞 電⼦版 2016/12/27 IUUQTXXXOJLLFJDPNBSUJDMF%(9-341@9$" ・Poplin, Ryan, et al. "Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning." Nature Biomedical Engineering 2.3 (2018): 158.

Slide 107

Slide 107 text

© 20181204 @Tdys13 107 ⽇本におけるAI×医⽤画像診断(詳細) <.FEJIPNF ʷѮձ > ⻭科パノラマx線画像を⽤いた病変検出 (研究段階) ・サービスの流れ ・技術的視点 - Trainデータ : 12,000枚のパノラマx線画像 - ネットワーク : ???? - Testデータ : 未知のx線画像 - 出⼒結果 : 病変分類 (むし⻭，根尖病巣，⻭⽯，嚢胞，根分岐部病変) プレスリリースに載っているイメージ図 引⽤： ・【業界初】⻭科X線における診断AIの開発 http://www.aoikai.jp/aoiuniversalhospital/wp-content/uploads/sites/ 50/2018/06/aa82e2a1644840a735d43adfe44e715b.pdf

Slide 108

Slide 108 text

© 20181204 @Tdys13 108 ⽇本におけるAI×医⽤画像診断(詳細) <σϯλϧαϙʔτ ʷ%8> ύʔιφΠζ͞Εͨਓ޻ࣃͷ%Ϟσϧࣗಈੜ੒ ・サービスの流れ ・技術的視点 - Trainデータ : 10,000例の⻭の形状データ - ネットワーク : ???? - Testデータ : 患者の⼝腔内情報 - 出⼒結果 : ⽣成 引⽤：・株式会社9DW ࣃͷϞσϧͷࣗಈੜ੒"* https://9dw.jp/tooth/

Slide 109

Slide 109 text

© 20181204 @Tdys13 109 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷࠃཱ͕Μݚڀηϯλʔ > ഏ͕Μͷݕग़͓Αͼ෼ྨ ・サービスの流れ ・技術的視点 - Trainデータ : 胸部CT画像 - ネットワーク : ???? - Testデータ : 未知のCT画像 - 出⼒結果 : 肺病変部の検出，分類 引⽤： ・エルピクセル エイル https://eirl.ai/ja/

Slide 110

Slide 110 text

© 20181204 @Tdys13 110 ⽇本におけるAI×医⽤画像診断(詳細) <෋࢜௨ ʷ޿ౡେֶ > ഏපมͷݕग़ɼ෼ྨ ・サービスの流れ ・技術的視点 - Trainデータ : 胸部CT画像 - ネットワーク : ???? - Testデータ : 未知のCT画像 - 出⼒結果 : 肺病変部の位置検出＆分類 (肺がん，肺炎，びまん性肺疾患) ෋࢜௨ݚڀॴ͕ ։ൃͨ͠"* 引⽤： ・類似の病気、AIで3次元検索。CT画像検査時間6分の1に https://newswitch.jp/p/9499

Slide 111

Slide 111 text

© 20181204 @Tdys13 111 ⽇本におけるAI×医⽤画像診断(詳細) <&9"8*;"3%4 ʷ $7ΠϝʔδϯάαΠΤϯε $7*4 > ৺ଁڱࡥͷ਍அࢧԉγεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : ⼼臓狭窄を患っていない ⼼臓MR画像 - ネットワーク : ???? - Testデータ : 未知のMR画像 - 出⼒結果 : 分類(⼼臓狭窄 or それ以外) "*ϓϥοτϑΥʔϜ 引⽤： ・⼼臓狭窄診断⽀援システムの構築 2016 0727 http://www.medtecjapan.com/ja/news/2016/07/27/1612 ・エクサウィザーズ 事業紹介 https://exawizards.com/service/solution

Slide 112

Slide 112 text

© 20181204 @Tdys13 112 ⽇本におけるAI×医⽤画像診断(詳細) <෋࢜௨ ʷ ཧԽֶݚڀॴ ʷ ত࿨େֶ > AIを⽤いた胎児⼼臓超⾳波スクリーニング ・サービスの流れ ・技術的視点 - Trainデータ : 正常胎児⼼臓の超⾳波画像 2,000枚 - ネットワーク : ???? - Testデータ : 胎児⼼臓の超⾳波画像 - 出⼒結果 : 正常胎児との⽐較結果 B ਖ਼ৗ଻ࣇͷσʔλ CൺֱʹΑΓҟৗ͕ൃݟ͞Εͨ଻ࣇͷσʔλ ϦΞϧλΠϜ ࣗಈݕ஌γεςϜ 引⽤： ・プレスリリース "*Λ༻͍ͨ଻ࣇ৺ଁ௒Ի೾εΫϦʔχϯά http://pr.fujitsu.com/jp/news/2018/09/18-2.html

Slide 113

Slide 113 text

© 20181204 @Tdys13 113 ⽇本におけるAI×医⽤画像診断(詳細) <(&ϔϧεέΞ δϟύϯ ʷ খ૔ه೦පӃ> ףಈ຺಺ߢͷࣗಈηάϝϯςʔγϣϯ ・サービスの流れ ・技術的視点 - Trainデータ : ⼼臓CT画像20,000例 - ネットワーク : 事前学習+U-Net - Testデータ : 未知のCT画像 - 出⼒結果 : 対象部のセグメンテーション ϦΞϧλΠϜ ࣗಈηάϝϯςʔγϣϯ γεςϜ 引⽤： ・⼩倉記念病院とGEヘルスケア・ジャパン、 AI技術を活⽤した冠動脈内腔⾃動検出に向けた共同研究を開始 2018 0920 https://www.genewsroom.com/press-releases

Slide 114

Slide 114 text

© 20181204 @Tdys13 114 ⽇本におけるAI×医⽤画像診断(詳細) <%FFQ.JOEʷ ౦ژ࣊ܙձҩՊେֶ > ೕ͕ΜͷεΫϦʔχϯά ݚڀ ・サービスの流れ ・技術的視点 - Trainデータ : 乳部超⾳波画像(3万例) 乳房MR画像(3,500例) - ネットワーク : ???? - Testデータ : 未知の乳部超⾳波画像 - 出⼒結果 : 病変分類 $BODFS3FTFBSDI6, *NQFSJBM$FOUSF ओମͷೕ͕Μݚڀάϧʔϓ 引⽤： ・プレスリリース ౦ژ࣊ܙձҩՊେֶෟଐපӃɺ %FFQ.JOE)FBMUIͱ ೕ͕ΜεΫϦʔχϯάͷݚڀʹؔ͢ΔύʔτφʔγοϓΛక݁ http://www.jikei.ac.jp/news/pdf/press_release_2018-10-04.pdf ・ Research collaboration aims to improve breast cancer diagnosis using AI 2017 11 24 http://www.imperial.ac.uk/news/183293/research-collaboration-aims-improve-breast-cancer/

Slide 115

Slide 115 text

© 20181204 @Tdys13 115 ⽇本におけるAI×医⽤画像診断(詳細) <%FFQ.JOEʷ ೕ͕Μݚڀ > ೕ͕ΜͷεΫϦʔχϯά ・技術的視点 - Trainデータ : 乳部病理画像270枚 - ネットワーク : 事前学習+Inception v3 - Testデータ : 乳部病理画像108枚，126枚 - 出⼒結果 : 病変検出 $BODFS3FTFBSDI6, *NQFSJBM$FOUSF ओମͷೕ͕Μݚڀάϧʔϓ ֶձɾδϟʔφϧ ・サービスの流れ 引⽤： ・Google AI 転移性乳がんの検出で99%の正確性を達成 http://thebridge.jp/2018/10/google-ai-claims-99-accuracy-in-metastatic-breast-cancer-detection ・-JV :VO FUBM"SUJGJDJBM*OUFMMJHFODFr#BTFE#SFBTU$BODFS/PEBM.FUBTUBTJT %FUFDUJPO*OTJHIUT*OUPUIF#MBDL#PYGPS1BUIPMPHJTUT "SDIJWFTPGQBUIPMPHZMBCPSBUPSZNFEJDJOF

Slide 116

Slide 116 text

© 20181204 @Tdys13 116 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ େࡕࢢཱେֶ > ೕ͕Μͷݕग़γεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 乳部超⾳波画像(3万例) - ネットワーク : ???? - Testデータ : 未知の乳部超⾳波画像 - 出⼒結果 : 病変検出 引⽤： ・産経新聞⼤阪市⼤がＡＩ活⽤した乳がんの画像診断システム開発 2018 0414 https://www.sankei.com/west/news/180413/wst1804130090-n2.html ・ReadyFor 【精度は医師以上】乳癌の早期発⾒を⼈⼯知能の⼒で実現したい！ https://readyfor.jp/projects/deeplearning

Slide 117

Slide 117 text

© 20181204 @Tdys13 117 ⽇本におけるAI×医⽤画像診断(詳細) <ཧԽֶݚڀॴ ʷ ࠃཱ͕Μݚڀηϯλʔ > ң͕Μͷݕग़γεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 内視鏡画像，2万枚 (正常 : 病変=1 : 1) - ネットワーク : 事前学習+Inception v3 - Testデータ : 未知の内視鏡画像 - 出⼒結果 : 病変検出 ֶձɾδϟʔφϧ 引⽤： ・ AIで早期胃がん領域の⾼精度検出に成功 早期発⾒・領域検出で早期治療に⼤きく貢献 2018 0720 https://www.ncc.go.jp/jp/information/pr_release/2018/0721/index.html

Slide 118

Slide 118 text

© 20181204 @Tdys13 118 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ң͕Μͷݕग़γεςϜ ・サービスの流れ ֶձɾδϟʔφϧ 引⽤： ・プレスリリース がん研究会有明病院⼈⼯知能で胃がんを発⾒する！ −AIを活⽤した内視鏡画像診断⽀援システムの開発− https://www.jfcr.or.jp/hospital/information/general/5376.html

Slide 119

Slide 119 text

© 20181204 @Tdys13 119 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ң͕Μͷݕग़γεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 内視鏡画像，13,584枚 - ネットワーク : 16層のSSD - Testデータ : 未知の内視鏡画像，2,296枚 - 出⼒結果 : 病変検出 6mm以上->98.6% 6mm以下も含む->92.2% ֶձɾδϟʔφϧ AIにより検出された⾷道がん ⻩枠：AIによる予測場所 緑枠：医師による候補場所 引⽤： ・プレスリリース がん研究会有明病院⼈⼯知能で胃がんを発⾒する！ −AIを活⽤した内視鏡画像診断⽀援システムの開発− https://www.jfcr.or.jp/hospital/information/general/5376.html ・ )PSJF :PTIJNBTB FUBM %JBHOPTUJDPVUDPNFTPGFTPQIBHFBMDBODFSCZBSUJGJDJBMJOUFMMJHFODF VTJOHDPOWPMVUJPOBMOFVSBMOFUXPSLT (BTUSPJOUFTUJOBMFOEPTDPQZ

Slide 120

Slide 120 text

© 20181204 @Tdys13 120 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ৯ಓ͕Μͷݕग़γεςϜ ・サービスの流れ ֶձɾδϟʔφϧ 引⽤： ・プレスリリース がん研究会有明病院 ⼈⼯知能による⾷道がんの診断 AIによる内視鏡画像診断⽀援システム https://www.jfcr.or.jp/up_pdf/20180907174455_1.pdf

Slide 121

Slide 121 text

© 20181204 @Tdys13 121 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ৯ಓ͕Μͷݕग़γεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 内視鏡画像，8,428枚 - ネットワーク : 16層のSSD - Testデータ : 未知の内視鏡画像，1,118枚 - 出⼒結果 : 病変検出 検出精度98% ֶձɾδϟʔφϧ AIにより検出された⾷道がん ⽩枠：AIによる予測場所 緑枠：医師による候補場所 Ҿ༻ɿ ɾϓϨεϦϦʔε ͕Μݚڀձ༗໌පӃ ਓ޻஌ೳʹΑΔ৯ಓ͕Μͷ਍அ "*ʹΑΔ಺ࢹڸը૾਍அࢧԉγεςϜ IUUQTXXXKGDSPSKQVQ@QEG@QEG ɾ )PSJF :PTIJNBTB FUBM %JBHOPTUJDPVUDPNFTPGFTPQIBHFBMDBODFSCZBSUJGJDJBMJOUFMMJHFODF VTJOHDPOWPMVUJPOBMOFVSBMOFUXPSLT (BTUSPJOUFTUJOBMFOEPTDPQZ

Slide 122

Slide 122 text

© 20181204 @Tdys13 122 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM > ؊ଁ͕Μͷݕग़γεςϜ ・サービスの流れ පӃ΍ ݚڀػؔͳͲ 引⽤： ・エルピクセル エイル https://eirl.ai/ja/

Slide 123

Slide 123 text

© 20181204 @Tdys13 123 ⽇本におけるAI×医⽤画像診断(詳細) <໋ཱؗେֶ ʷ ᔳߐେֶ෇ଐපӃ > ؊ଁ͕Μͷݕग़γεςϜ ・サービスの流れ ઌ୺*$5 ϝσΟΧϧɾϔϧεέΞ ݚڀηϯλʔ ϦΞϧλΠϜ ࣗಈݕ஌γεςϜ ֶձ δϟʔφϧ 引⽤： ・⽇経デジタルヘルス プレスリリース AIで肝臓がんの画像診断を⽀援 2016 1214 https://tech.nikkeibp.co.jp/dm/atcl/news/16/121405475/?ST=health

Slide 124

Slide 124 text

© 20181204 @Tdys13 124 ⽇本におけるAI×医⽤画像診断(詳細) <໋ཱؗେֶ ʷ ᔳߐେֶ෇ଐපӃ > ؊ଁ͕Μͷݕग़γεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 腹部CT画像(88症例) - ネットワーク : Mics-CNN(AlexNetの派⽣) - Testデータ : 腹部CT画像(30症例) - 出⼒結果 : 病変検出 ઌ୺*$5 ϝσΟΧϧɾϔϧεέΞ ݚڀηϯλʔ ϦΞϧλΠϜ ࣗಈݕ஌γεςϜ ֶձ δϟʔφϧ ⾚⾊ : TP(正解)，⻘⾊ : FN(⾒落とし)，緑⾊ : FP(⾒間違い) 引⽤： ・⽇経デジタルヘルス プレスリリース AIで肝臓がんの画像診断を⽀援 2016 1214 https://tech.nikkeibp.co.jp/dm/atcl/news/16/121405475/?ST=health ・pre-submitting by Yoshihiro Todoroki

Slide 125

Slide 125 text

© 20181204 @Tdys13 125 ⽇本におけるAI×医⽤画像診断(詳細) <"*ϝσΟΧϧαʔϏε ʷ ࢈૯ݚ> େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ ֶձɾδϟʔφϧ 引⽤： ・⼈⼯知能研究センター news 2018.06.22 「"*ʢਓ޻஌ೳʣʹΑΔ಺ࢹڸը૾਍அࢧԉʢපมर্͍͛ʣγεςϜͷݚڀ։ൃʯ ࣮ূ࣮ݧͷ͓஌Βͤ https://www.airc.aist.go.jp/aiart/info.html

Slide 126

Slide 126 text

© 20181204 @Tdys13 126 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ ౦ژ࣊ܙձҩՊେֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ ֶձɾδϟʔφϧ A A 引⽤： ・プレスリリース ⼤腸内視鏡病変検出・鑑別診断サポートを⾏うAIを開発 2018 0817 https://lpixel.net/2018/08/17/7506/

Slide 127

Slide 127 text

© 20181204 @Tdys13 127 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ ౦ژ࣊ܙձҩՊେֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 内視鏡画像(50,000枚) - ネットワーク : ????(おそらくSSD系) - Testデータ : 内視鏡画像 - 出⼒結果 : 病変検出 検出感度 ->98% 陽性的中率 ->91.2%(2018.5⽉) ֶձɾδϟʔφϧ A A 検出結果のデモ (プレスリリースより引⽤) 引⽤： ・プレスリリース ⼤腸内視鏡病変検出・鑑別診断サポートを⾏うAIを開発 2018 0817 https://lpixel.net/2018/08/17/7506/

Slide 128

Slide 128 text

© 20181204 @Tdys13 128 ⽇本におけるAI×医⽤画像診断(詳細) <$:#&3/&5ʷ ত࿨େֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ ͦͷଞେֶපӃ ݚڀػؔ ( ) ( ) Ҿ༻ɿ ɾϓϨεϦϦʔε ত࿨େֶ "*Λซ༻ͨ͠େ௎಺ࢹڸݕࠪɿ਍ྍݱ৔Ͱͷਫ਼౓͕໌Β͔ʹ IUUQTXXXVQSFTTDFOUFSKQQPTUIUNM ɾত࿨େֶͱαΠόωοτɼ"*Λซ༻ͨ͠Ѫௌ಺ࢹڸݕࠪʹͯਫ਼౓Λୡ੒ IUUQTNFEJUUFDISFBMUJNFQBUIPMPHJDBMEJBHOPTJTXJUITVQFSFYQBOEFE FOEPTDPQFQPXFSFECZBJTIPXBVOJWFSTJUZBOEDZCFSOFUBDRVJSF

Slide 129

Slide 129 text

© 20181204 @Tdys13 129 ⽇本におけるAI×医⽤画像診断(詳細) <$:#&3/&5ʷ ত࿨େֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ ͦͷଞେֶපӃ ݚڀػؔ ( ) ( ) ・技術的視点 - Trainデータ : 内視鏡動画像 (35分,63,135フレームと80分,133,496フレーム) - ネットワーク : 3D CNN(x*y*time) - Testデータ : 内視鏡動画像 - 出⼒結果 : 病変分類 ⽩く反射をするところを 中⼼に画像取得 3D CNN クラス分類 取得した部分が 腫瘍か否か Ҿ༻ɿ ɾϓϨεϦϦʔε ত࿨େֶ "*Λซ༻ͨ͠େ௎಺ࢹڸݕࠪɿ਍ྍݱ৔Ͱͷਫ਼౓͕໌Β͔ʹ IUUQTXXXVQSFTTDFOUFSKQQPTUIUNM ɾত࿨େֶͱαΠόωοτɼ"*Λซ༻ͨ͠Ѫௌ಺ࢹڸݕࠪʹͯਫ਼౓Λୡ੒ IUUQTNFEJUUFDISFBMUJNFQBUIPMPHJDBMEJBHOPTJTXJUITVQFSFYQBOEFE FOEPTDPQFQPXFSFECZBJTIPXBVOJWFSTJUZBOEDZCFSOFUBDRVJSF

Slide 130

Slide 130 text

© 20181204 @Tdys13 130 ⽇本におけるAI×医⽤画像診断(詳細) </&$ʷ ࠃཱ͕Μݚڀηϯλʔ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ ֶձɾδϟʔφϧ ・技術的視点 - Trainデータ : 内視鏡画像(5,000枚) - ネットワーク : CNN - Testデータ : 内視鏡画像(5,000枚) - 出⼒結果 : 病変検出 検出結果 引⽤： ・プレスリリース 国⽴がん研究センター 2017 0710 AIを活⽤したリアルタイム内視鏡診断サポートシステム開発 ⼤腸内視鏡検査での⾒逃し回避を⽬指す https://www.ncc.go.jp/jp/information/pr_release/2017/0710/index.html

Slide 131

Slide 131 text

© 20181204 @Tdys13 131 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ ౦େපӃ> Χϓηϧ಺ࢹڸΛ༻͍ͨখ௎೪ບো֐ͷ਍அࢧԉγεςϜ ・サービスの流れ ֶձɾδϟʔφϧ 引⽤： ・プレスリリース 東京⼤学 ਓ޻஌ೳʹΑΔখ௎೪ບই֐ͷ਍அ http://www.h.u-tokyo.ac.jp/vcms_lf/release_20181026.pdf

Slide 132

Slide 132 text

© 20181204 @Tdys13 132 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ ౦େපӃ> Χϓηϧ಺ࢹڸΛ༻͍ͨখ௎೪ບো֐ͷ਍அࢧԉγεςϜ ・サービスの流れ ・技術的視点 - Trainデータ : 内視鏡画像(5,360枚) - ネットワーク : SSD - Testデータ : 内視鏡動画像(10,440枚) - 出⼒結果 : 病変検出 ROC 0.985 ֶձɾδϟʔφϧ 検出結果 SSD 病変 正常部 引⽤： ・プレスリリース 東⼤病院⼈⼯知能による⼩腸粘膜傷害の診断 2018 1026 http://www.h.u-tokyo.ac.jp/press/press_archives/20181026.html ɾ"PLJ 5PNPOPSJ FUBM"VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOT JOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFTCBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL (BTUSPJOUFTUJOBM&OEPTDPQZ

Slide 133

Slide 133 text

© 20181204 @Tdys13 133 ⽇本におけるAI×医⽤画像診断(詳細) ・サービスの流れ ֶձɾδϟʔφϧ <ژηϥ ʷஜ೾େֶ > ྟচը૾ʹΑΔൽෘ͕Μͷࣗಈݕग़ Ҿ༻ɿ ɾϓϨεϦϦʔε ژηϥൽෘजᙾͷྑѱੑΛ൑ఆ͢Δਓ޻஌ೳ਍அิॿγεςϜΛ։ൃ IUUQTXXXLDDTDPKQOFXTSFMFBTF

Slide 134

Slide 134 text

© 20181204 @Tdys13 134 ⽇本におけるAI×医⽤画像診断(詳細) <ژηϥ ʷஜ೾େֶ > ྟচը૾ʹΑΔൽෘ͕Μͷࣗಈݕग़ ・サービスの流れ ֶձɾδϟʔφϧ ・技術的視点 - Trainデータ : 臨床画像(4,800枚) - ネットワーク : 事前学習(ImageNet)+CNN - Testデータ : 臨床画像(1,200枚) - 出⼒結果 : 14種の病変分類 Ҿ༻ɿ ɾϓϨεϦϦʔε ژηϥൽෘजᙾͷྑѱੑΛ൑ఆ͢Δਓ޻஌ೳ਍அิॿγεςϜΛ։ൃ IUUQTXXXLDDTDPKQOFXTSFMFBTF ɾ 'VKJTBXB : FUBM %FFQMFBSOJOHʖCBTFE DPNQVUFSʖBJEFEDMBTTJGJFSEFWFMPQFE XJUIBTNBMMEBUBTFUPGDMJOJDBMJNBHFTTVSQBTTFTCPBSEʖDFSUJGJFEEFSNBUPMPHJTUT JOTLJOUVNPSEJBHOPTJT #SJUJTI+PVSOBMPG%FSNBUPMPHZ

Slide 135

Slide 135 text

© 20181204 @Tdys13 135 ⽇本におけるAI×医⽤画像診断(詳細) ・サービスの流れ <FY.FEJP> 臨床画像による⽪膚病変の⾃動分類 ‒ ヒポクラ Ҿ༻ɿ ɾ૯຿ল ࢀߟεϥΠυ גࣜձࣾΤΫεϝσΟΦ IUUQXXXTPVNVHPKQNBJO@DPOUFOUQEG ҩࢣ ઐ໳ҩ ױऀ

Slide 136

Slide 136 text

© 20181204 @Tdys13 136 ⽇本におけるAI×医⽤画像診断(詳細) <.FENBJO ʷ ۝େපӃ > 病理画像の⾃動診断システム ・サービスの流れ 引⽤： ・ %FFQ-FBSOJOHʹΑΔපཧը૾਍அιϑτ 1JE1PSU https://medmain.net/?page_id=1223

Slide 137

Slide 137 text

© 20181204 @Tdys13 137 ⽇本におけるAI×医⽤画像診断(詳細) <ΦϦϯύε ʷ தࠃ͕Μηϯλʔ> 病理画像の⾃動診断システム ・サービスの流れ ・技術的視点 - Trainデータ : 病理画像(368例) - ネットワーク : CNN - Testデータ : 病理画像(786例) - 出⼒結果 : 14種の病変分類 引⽤： ・プレスリリース オリンパスと呉医療センター・中国がんセンター AI病理診断⽀援ソフトウェアを共同研究 https://www.olympus.co.jp/news/2018/nr00867.html

Slide 138

Slide 138 text

© 20181204 @Tdys13 138 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ ٱཹถେֶපӃ> 病理画像の⾃動診断システム ・サービスの流れ 引⽤： ・エルピクセル エイル https://eirl.ai/ja/

Slide 139

Slide 139 text

© 20181204 @Tdys13 139 ⽇本におけるAI×医⽤画像診断(詳細) <೔ຊපཧֶձ > 病理画像から胃がん診断システム ・サービスの流れ 引⽤： ・⽇本病理学会 学会主導による病理診断AI（artificial intelligence; ⼈⼯知能）エンジンの開発 20181109 http://p-wsi.jp/press_release/ පཧֶձ ॴଐපӃ පཧֶձ ॴଐපӃ ・技術的視点 - Trainデータ : 病理画像(17万枚) - ネットワーク : ??? - Testデータ : 病理画像 - 出⼒結果 : 胃がんの診断 ※感度93.3%，特異度73.5%，不⼀致率16.2%

Slide 140

Slide 140 text

© 20181204 @Tdys13 140 ⽇本におけるAI×医⽤画像診断(詳細) <015*.ʷ ΤϜεϦʔ> 画像診断⽀援AIプラットフォーム ・サービスの流れ "*ϓϥοτϑΥʔϜ %PD"* පӃ େख ҩྍػثϝʔΧʔ 引⽤： ・プレスリリース オプティム 医療⽤画像診断⽀援AIオープンプラットフォーム 「Doc+AI」（ドクエイ）の構築を開始 2018 0725 https://www.optim.co.jp/news-detail/38409 ・エムスリー，オプティム と共同で画像診断⽀援プラットフォーム提供へ https://medit.tech/optim-m3-jointed-for-ai-platform/ ・技術的視点 - このプラットフォームは どんな感じになるのか楽しみ！

Slide 141

Slide 141 text

© 20181204 @Tdys13 141 ⽇本におけるAI×医⽤画像診断(詳細) <"JMMJT > AIを搭載したインフルエンザ診断医療機器 ・サービスの流れ පӃͳͲ 引⽤： ・アイリス株式会社 https://aillis.jp/ ・技術的視点 - AI搭載医療機器の開発！

Slide 142

Slide 142 text

© 20181204 @Tdys13 142 『AI×医⽤画像』の現状と可能性(ビジネストレンド編) まとめ <ひと⼝メモ> 結果 ：何がしたいのか(検出，セグメンテーションなど) データ：どこから取ってくるか，⾜りない場合はどうするか モデル：何がしたいからどんなモデルを選ぶのか 技術⾯：それを論⽂にして技術証明をするのか

Slide 143

Slide 143 text

© 20181204 @Tdys13 143 おまけ PFN × PFDeNA(PFNとDeNAの合弁会社) 政府の推し進めるAIホスピタル構想 引⽤： ・PFN Newa 2018 1029 https://www.preferred-networks.jp/ja/news/pr20181029 ・AIホスピタルによる⾼度診断・治療システム http://www8.cao.go.jp/cstp/gaiyo/sip/iinkai2/aihospital_1/siryo3-1.pdf

Slide 144

Slide 144 text

© 20181204 @Tdys13 144 おまけ 隣国では企業主体の スマートホスピタル計画が進⾏している 引⽤： ・ *OUFSOFUCBTFETNBSUIFBMUIDBSFDIBOHFT$IJOFTFMJWFT https://www.telegraph.co.uk/news/world/china-watch/technology/smart-healthcare-china/ ・A Fudan University, Tencent to Build Smart Hospital in Shanghai 2017 1122 https://www.yicaiglobal.com/news/ fudan-university-tencent-build-smart-hospital-shanghai?utm _content=buffere9509&utm_medium=social&utm_source=pinterest.com&utm_campaign=buffer

Slide 145

Slide 145 text

© 20181204 @Tdys13 2. 3. 4. 1. 145 ⾃⼰紹介 世界の研究トレンド紹介 - AIの基礎，医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ，技術紹介 まとめ

Slide 146

Slide 146 text

© 20181204 @Tdys13 146 まとめ 誰かの課題を解決するための⼿段の⼀つとして⼈⼯知能が使われていく テクノロジー×医療はやっぱり⾯⽩い！！！！