AIと医療現場は調和するか？/Will AI and clinical work in harmony?(published by tdys13)

Slide 1

Slide 1 text

AIと医療現場は調和するか？アイリス株式会社轟佳⼤⼀般公開⽤スライド 1 20191031 ©Tdys13

Slide 2

Slide 2 text

2 このスライドの趣旨 2019 10⽉中旬に東京都内で⾏われた医師，病院経営者向けの医療AIに関する勉強会にて登壇した際のスライドを改変しております普段の講演はこのようなスライドに，僕があれこれ話を付け加えながら 30~120分で⾏なっております想定としては医療AIに関して⻑けている⽅向けではなく，なんとなく知っている，もっと知りたい⼈向けに作りました出典元の論⽂やプレスリリースから引⽤しているつもりですが⾄らぬ点がありましたら，何なりと教えていただけると幸いです 2019 10/31 20191031 ©Tdys13

Slide 3

Slide 3 text

AIについてのざっくりとした認識，医療現場でのAI連携の可能性など持って帰っていただけたら嬉しいですこの時間でお伝え出来たら嬉しいもの・分かりそうでよく分からないAI(⼈⼯知能)について・医療現場でのAI応⽤事例など 3 20191031 ©Tdys13

Slide 4

Slide 4 text

2 3 4 1 ⾃⼰紹介 AIについてまとめ医療AIの研究，現場での応⽤のカタチ 4 20191031 ©Tdys13

Slide 5

Slide 5 text

2 3 4 1 ⾃⼰紹介 AIについてまとめ医療AIの研究，現場での応⽤のカタチ 5 20191031 ©Tdys13

Slide 6

Slide 6 text

-略歴- 1992 福岡⽣まれ 2017.4 ⽴命館⼤学⼤学院情報理⼯学研究科⼊学 2017.8~11 シンガポール国⽴情報研究所リサーチアシスタント (A*STAR / i2r Knowledge-Assisted Vision Lab) 2019.3 ⽴命館⼤学⼤学院情報理⼯学研究科修了 2019.4~ アイリス株式会社 -活動- 研究領域：深層学習×医⽤画像処理(2015~2019) 講演：医学⽣・医師・社会⼈向け医療AIに関して(2018~) 連載：医療AI解説記事(2019~) 外部PJ ：産総研・医⽤画像WG (2019~) 轟佳⼤ (ﾄﾄﾞﾛｷﾖｼﾋﾛ) 6 20191031 ©Tdys13 @Tdys13

Slide 7

Slide 7 text

轟佳⼤ (ﾄﾄﾞﾛｷﾖｼﾋﾛ) 7 -略歴- 研究：CT画像に映る肝臓腫瘍候補の⾃動検出：その他疾患(がん，脳⾎管障害)の検出，分類仕事：咽頭画像に映るインフルエンザ兆候の⾃動検出，分類 20191031 ©Tdys13

Slide 8

Slide 8 text

-略歴- 研究：CT画像に映る肝臓腫瘍候補の⾃動検出：その他疾患(がん，脳⾎管障害)の検出，分類仕事：咽頭画像に映るインフルエンザ兆候の⾃動検出，分類 -最⼤の違い- 研究：論⽂化(＝学問のアップデート)がゴール仕事：ユーザーに届けることがゴール (複雑なモデルが必ずしも必要とは限らない．でも研究・論⽂化は超⼤事) 轟佳⼤ (ﾄﾄﾞﾛｷﾖｼﾋﾛ) 8 20191031 ©Tdys13

Slide 9

Slide 9 text

昨年12⽉に発表したスライド(趣味でまとめました) 9 その他の活動① 20191031 ©Tdys13 引⽤：・『AI×医⽤画像』の現状と可能性 https://speakerdeck.com/tdys13/aixyi-yong-hua-xiang-falsexian-zhuang-toke-neng-xing

Slide 10

Slide 10 text

M3.comというサイトにて医療従事者向けに連載中 10 その他の活動② 20191031 ©Tdys13 引⽤：・轟加藤の医療AIトレンドを追う https://medicalai.m3.com/news/190517-report-todoroki1

Slide 11

Slide 11 text

医療機器(ハードウェアとソフトウェア)を開発しているスタートアップファーストプロダクトはAI医療機器を⽤いたインフルエンザの判定 11 所属会社 20191031 ©Tdys13 引⽤：・Aillis.inc https://aillis.jp/

Slide 12

Slide 12 text

2 3 4 1 ⾃⼰紹介 AIについてまとめ医療AIの研究，現場での応⽤のカタチ 12 20191031 ©Tdys13

Slide 13

Slide 13 text

13 本⽇のテーマ『AIと医療現場は調和するか？』僕の考えは「調和できる」と思いますが、皆さんはどう考えますか？ 20191031 ©Tdys13

Slide 14

Slide 14 text

14 『AIと医療現場は調和するか？』今⽇の講演を通して考えてみてくださいちなみに私は「調和できる」と思いますが，「技術の調和のみならず，各専⾨家の調和も必須だ」と考えます本⽇のテーマ 20191031 ©Tdys13

Slide 15

Slide 15 text

技術が『動⼒』を拡張したあらゆる分野は技術との融合により進歩する 15 20191031 ©Tdys13

Slide 16

Slide 16 text

技術が『医師の診る⼒』を拡張したあらゆる分野は技術との融合により進歩する 16 20191031 ©Tdys13

Slide 17

Slide 17 text

エンジニアとお医者さんって概念が少し似てる(気がする) 誰が⼈⼯知能を研究している？ 17 20191031 ©Tdys13

Slide 18

Slide 18 text

誰が⼈⼯知能を研究している？エンジニア・webアプリエンジニア・iOSエンジニア・アンドロイドエンジニア・フロントサイドエンジニア・バックサイドエンジニア・サーバーサイドエンジニア・機械学習エンジニア・フルスタックエンジニアお医者さん・外科医・⿇酔科医・消化器内科医・⽿⿐咽喉科医・整形外科医・読影医・救急医・総合診療医・家庭医 18 20191031 ©Tdys13

Slide 19

Slide 19 text

知識・興味程度に他の技術も知っていることはあるけれどそれぞれが専⾨分野を持っている！誰が⼈⼯知能を研究している？エンジニア・webアプリエンジニア・iOSエンジニア・アンドロイドエンジニア・フロントサイドエンジニア・バックサイドエンジニア・サーバーサイドエンジニア・機械学習エンジニア・フルスタックエンジニア 19 20191031 ©Tdys13

Slide 20

Slide 20 text

AIはなんでも出来る凄い技術だ！⼈⼯知能とはなんだ？何でも知っているA⽒ AM11:12 20 20191031 ©Tdys13

Slide 21

Slide 21 text

AIはなんでも出来る凄い技術だ！⼈⼯知能とはなんだ？何でも知っているA⽒ AM11:12 何でも知りたいBくん既読 AM11:26 AIって何ですか？ 21 20191031 ©Tdys13

Slide 22

Slide 22 text

⼈⼯知能とはなんだ？何でも知りたいBくん既読 AM11:26 AIって何ですか？ AIってのは、とりあえずなんか凄いみたい！何でも知っているA⽒ AM11:44 22 20191031 ©Tdys13

Slide 23

Slide 23 text

⼈⼯知能とはなんだ？何でも知りたいBくん既読 AM11:26 AIって何ですか？ AIってのは、とりあえずなんか凄いみたい！何でも知っているA⽒ AM11:44 23 20191031 ©Tdys13

Slide 24

Slide 24 text

⼈⼯知能とはなんだ？ AIってのは、とりあえずなんか凄いみたい！何でも知っているA⽒ AM11:44 AM 11:59 BくんがCのすけさんを招待しました。 PM05:12 Cのすけさんが参加しました。 PM06:22 AIってなんか分からないですよね！⼀緒に学びましょう。ちょっと出来るCのすけさん 24 20191031 ©Tdys13

Slide 25

Slide 25 text

⼈⼯知能とはなんだ？ PM06:22 AIに関して押さえるべきポイントは・そもそもAIとは？・深層学習とは？・良い点と改善出来る点は？・どの分野で発展している？ちょっと出来るCのすけさん 25 20191031 ©Tdys13

Slide 26

Slide 26 text

ここからは『AI』についてざっくりと紹介 26 ⼈⼯知能とはなんだ？ PM06:22 AIに関して押さえるべきポイントは・そもそもAIとは？・深層学習とは？・良い点と改善出来る点は？・どの分野で発展している？ちょっと出来るCのすけさん 20191031 ©Tdys13

Slide 27

Slide 27 text

⼈⼯知能について 27 引⽤：・AI demystiﬁed https://www.callaghaninnovation.govt.nz/blog/ai-demystiﬁed 20191031 ©Tdys13

Slide 28

Slide 28 text

⼈⼯知能≒「様々な技術の複合体の総称」⼈⼯知能について 28 引⽤：・AI demystiﬁed https://www.callaghaninnovation.govt.nz/blog/ai-demystiﬁed 20191031 ©Tdys13

Slide 29

Slide 29 text

中でも現状は機械学習・深層学習が使われているもの⼈⼯知能について 29 引⽤：・AI demystiﬁed https://www.callaghaninnovation.govt.nz/blog/ai-demystiﬁed 20191031 ©Tdys13

Slide 30

Slide 30 text

⼈⼯知能について引⽤：・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://00m.in/Gb35U 30 20191031 ©Tdys13

Slide 31

Slide 31 text

⼈⼯知能について 31 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://00m.in/Gb35U 20191031 ©Tdys13

Slide 32

Slide 32 text

⼈⼯知能について 32 引⽤：・厚労省保健医療分野におけるAI活⽤推進懇談会報告書 https://www.mhlw.go.jp/ﬁle/05-Shingikai-10601000-Daijinkanboukouseikagakuka-Kouseikagakuka/0000169230.pdf 20191031 ©Tdys13

Slide 33

Slide 33 text

⼈⼯知能について 33 引⽤：・総務省情報通信⽩書 http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/html/nc142120.html 20191031 ©Tdys13

Slide 34

Slide 34 text

⼈⼯知能について 34 引⽤：・総務省情報通信⽩書 http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/html/nc142120.html WWⅡ ‒ ナチス・ドイツの難読暗号・エニグマを機械が解読 →第⼀次⼈⼯知能研究の始まり、新50ポンド紙幣 20191031 ©Tdys13

Slide 35

Slide 35 text

⼈⼯知能について 35 引⽤：・総務省情報通信⽩書 http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/html/nc142120.html 2012年 Hinton博⼠数⼗年前に提唱されてた研究に着⽬結果，常識を覆した 20191031 ©Tdys13

Slide 36

Slide 36 text

2012年(7年前)，Googleが深層学習を⽤いて猫の認識に成功⼈⼯知能について 36 20191031 ©Tdys13

Slide 37

Slide 37 text

⼈⼯知能について(現状) ) ( 37 20191031 ©Tdys13

Slide 38

Slide 38 text

⼈⼯知能について(近未来) ) ( 38 20191031 ©Tdys13

Slide 39

Slide 39 text

⼀旦休憩・AI = 『深層学習×○○』・2012年に再注⽬され、今では様々な技術が考案されている <ひと⼝メモ> 39 20191031 ©Tdys13

Slide 40

Slide 40 text

ここからは『深層学習』について紹介 40 ⼈⼯知能とはなんだ？ PM06:22 AIに関して押さえるべきポイントは・そもそもAIとは？・深層学習とは？・良い点と改善出来る点は？・どの分野で発展している？ちょっと出来るCのすけさん 20191031 ©Tdys13

Slide 41

Slide 41 text

機械学習と深層学習の違いねこ・⽿がある・尻尾がある・⿐が特徴的.. =>⼈が特徴を与える良い点・⼤規模な計算資源が要らない考えるべき点・精度が⼈によって左右されるねことは・⽿がある確率・尻尾がある確率・4⾜歩⾏の確率.. =>数学的に特徴抽出良い点・精度が⾼い考えるべき点・数多くのデータが必要・計算資源が必要機械学習深層学習深層学習について 41 20191031 ©Tdys13

Slide 42

Slide 42 text

Slide 43

Slide 43 text

「最終⽬的」を実現するために「⽬的に沿った深層学習モデル」を使⽤する深層学習について ) < > = ) < ( 43 20191031 ©Tdys13

Slide 44

Slide 44 text

「最終⽬的」を実現するために「⽬的に沿った深層学習モデル」を使⽤する深層学習について ) < > = ) < ( 検出モデル SSD,Yolo, Fast-RCNN… 分類モデル ResNet,VGG, Inception… セグメンテーションモデル FCN,Unet, ⽣成モデル VAE,GAN… その他モデル Elmo,Bert,R2D2… 44 20191031 ©Tdys13

Slide 45

Slide 45 text

深層学習×画像処理の概要 45 深層学習モデルフルーツいぬ学習フェイズ ‒ ラベル付きデータをモデルに学習させる 20191031 ©Tdys13

Slide 46

Slide 46 text

深層学習×画像処理の概要 46 いぬ学習フェイズ深層学習モデルフルーツ 20191031 ©Tdys13

Slide 47

Slide 47 text

深層学習×画像処理の概要 47 いぬ学習フェイズ学習済み深層学習モデルフルーツ 20191031 ©Tdys13

Slide 48

Slide 48 text

深層学習×画像処理の概要 48 ??? ??? テストフェイズ ‒ 未知データを処理するフルーツ90% その他 10% いぬ 95% その他 5% 学習済み深層学習モデル 20191031 ©Tdys13

Slide 49

Slide 49 text

深層学習×画像処理の概要 49 フルーツ学習フェイズ ‒ ラベル付きデータをモデルに学習させるアノテーション正解ラベルをつける⾏為 20191031 ©Tdys13

Slide 50

Slide 50 text

2010年から始まったGoogle主催の画像コンペ・分類，物体検出，位置推定の3ジャンルのコンペティション・学習データ120万枚，テストデータ10万枚深層学習の発展(2012年~) 50 20191031 ©Tdys13

Slide 51

Slide 51 text

ac 5ac9 ac8: b 9 % 0 1 . 深層学習の発展(2012年~) ⽬的別の違いをざっくり説明 51 20191031 ©Tdys13

Slide 52

Slide 52 text

⽬的によって深層学習モデル(設計⽅法)が異なる深層学習の発展(2012年~) ac 5ac9 ac8: b 9 % 0 1 . ⽬的別の違いをざっくり説明 52 20191031 ©Tdys13

Slide 53

Slide 53 text

深層学習の発展(2012年~) 53 エラー率層の深さ 20191031 ©Tdys13

Slide 54

Slide 54 text

深層学習の発展(2012年~) 機械学習深層学習 54 20191031 ©Tdys13

Slide 55

Slide 55 text

2012年，Hinton博⼠(現・Google) 深層学習の発展(2012年~) 引⽤：・Dr.Hinton https://scholar.google.co.uk/citations?user=JicYPdAAAAAJ&hl=en 55 20191031 ©Tdys13

Slide 56

Slide 56 text

2015 Kaiming He(現・Facebook AI Research) 深層学習の発展(2012年~) 引⽤：・Kaiming_He https://scholar.google.com/citations?user=DhtAFkwAAAAJ&hl=ja 56 20191031 ©Tdys13

Slide 57

Slide 57 text

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の発展(2012年~) 引⽤：・アルファ碁vsあなたそれは公平な勝負ではない 2016 0323 https://backyard.imjp.co.jp/articles/shelly_blog_22 57 20191031 ©Tdys13

Slide 58

Slide 58 text

画像⽣成モデル(GAN-generative adversarial network) 深層学習の圧倒的進化(2015〜) 引⽤：・AI Art at Christieʼs Sells for $432,500 https://www.nytimes.com/2018/10/25/arts/design/ai-art-sold-christies.html 58 20191031 ©Tdys13

Slide 59

Slide 59 text

『偽札造り(Generator)』と『偽札を⾒抜く検査官(Discriminator)』深層学習の圧倒的進化(2015〜) 59 " # " ! 引⽤：・Radford, Alec, Luke Metz, and Soumith Chintala. "Unsupervised representation learning with deep convolutional generative adversarial networks. " arXiv preprint arXiv:1511.06434 (2015). 20191031 ©Tdys13

Slide 60

Slide 60 text

ホテルの部屋を学習→この世に無いホテルの部屋を⽣成メガネ有り男性-メガネ無し男性＋メガネ無し⼥性＝メガネ有り⼥性深層学習の圧倒的進化(2015〜) 60 引⽤：・Radford, Alec, Luke Metz, and Soumith Chintala. "Unsupervised representation learning with deep convolutional generative adversarial networks. " arXiv preprint arXiv:1511.06434 (2015). 20191031 ©Tdys13

Slide 61

Slide 61 text

ここからは『深層学習の応⽤分野(医療以外)』について紹介 61 ⼈⼯知能とはなんだ？ PM06:22 AIに関して押さえるべきポイントは・そもそもAIとは？・深層学習とは？・良い点と改善出来る点は？・どの分野で発展している？ちょっと出来るCのすけさん 20191031 ©Tdys13

Slide 62

Slide 62 text

どの分野で発展している？ 62 ・⾃然⾔語処理領域・⾳声認識領域 20191031 ©Tdys13

Slide 63

Slide 63 text

どの分野で発展している？引⽤： Prakash, Aayush, et al. "Structured Domain Randomization: Bridging the Reality Gap by Context-Aware Synthetic Data." arXiv preprint arXiv:1810.10093 (2018). 63 ・⾃動運転領域 20191031 ©Tdys13

Slide 64

Slide 64 text

どの分野で発展している？引⽤： https://www.amed.go.jp/news/release_20180829-02.html https://www.legalforce.co.jp/ 64 ・創薬領域・リーガルテック 20191031 ©Tdys13

Slide 65

Slide 65 text

⼀旦休憩・深層学習は最終⽬的によって設計されるモデルが異なる・近年は様々な研究が急速に発展し，社会実装されている <ひと⼝メモ> 65 20191031 ©Tdys13

Slide 66

Slide 66 text

2 3 4 1 ⾃⼰紹介 AIについてまとめ医療AIの研究，現場での応⽤のカタチ 66 20191031 ©Tdys13

Slide 67

Slide 67 text

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×ヘルスケアの市場引⽤：・CB INSIGHTS https://app.cbinsights.com/research/report/ai-trends-healthcare/ 67 20191031 ©Tdys13

Slide 68

Slide 68 text

2019年 AI in Healthcareへの投資は引き続き伸びている AI×ヘルスケアの市場引⽤：・CB INSIGHTS https://www.cbinsights.com/research/report/healthcare-trends-q2-2019/?utm_source=medtechdive&utm_medium=press&utm_campaign=marketing_healthcare_q2-2019 68 20191031 ©Tdys13

Slide 69

Slide 69 text

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 69 引⽤：・CB INSIGHTS https://app.cbinsights.com/research/report/ai-trends-healthcare/ 20191031 ©Tdys13

Slide 70

Slide 70 text

AI×ヘルスケアの市場 70 引⽤：・CB INSIGHTS https://www.cbinsights.com/research/digital-health-startups-redeﬁning-healthcare/ 20191031 ©Tdys13

Slide 71

Slide 71 text

AI×ヘルスケアの市場 71 ⽶国：２８中国：５欧州：３韓国：３⽇本：１→２ 2019 1015に増えた・引⽤次世代医療機器評価指標検討会より平成３０年度次世代医療機器・再⽣医療等製品評価指標作成事業⼈⼯知能分野審査WG報告書より http://dmd.nihs.go.jp/jisedai/Imaging_AI_for_public/H30_AI_report.pdf 20191031 ©Tdys13

Slide 72

Slide 72 text

AIの医療応⽤ 72 20191031 ©Tdys13

Slide 73

Slide 73 text

AIの医療応⽤ 73 20191031 ©Tdys13

Slide 74

Slide 74 text

研究や事業を通して，普及後押しとノウハウ蓄積 AIの医療応⽤ 74 20191031 ©Tdys13

Slide 75

Slide 75 text

⽇本におけるプロジェクトの事例を紹介 (私が趣味で作成-20181204) →2019年版を現在ゆるゆると作成中医療AI開発の現状( in ⽇本) 75 20191031 ©Tdys13

Slide 76

Slide 76 text

医⽤画像処理について ) ( >P < X T < E CR CR M- CR M- CR M CR P I 76 20191031 ©Tdys13

Slide 77

Slide 77 text

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』した引⽤：・Esteva, Andre, et al. "Dermatologist-level classiﬁcation of skin cancer with deep neural networks." Nature 542.7639 (2017): 115. 77 20191031 ©Tdys13

Slide 78

Slide 78 text

医⽤画像処理について ) ( >P < X T < E CR CR M- CR M- CR M CR P I 78 20191031 ©Tdys13

Slide 79

Slide 79 text

※2017年1⽉時点医⽤画像分野の論⽂数引⽤：・ Litjens, Geert, et al. "A survey on deep learning in medical image analysis." Medical image analysis 42 (2017): 60-88. 研究領域における医療AIの変遷 79 20191031 ©Tdys13

Slide 80

Slide 80 text

研究領域における医療AIの変遷医⽤画像分野の論⽂数引⽤：・AIが医療画像分野でも⾰新を起こせるか？ NVIDIAが掲げる最新の「プロジェクト・クララ」(Project Clara)」とは https://robotstart.info/2018/05/11/nvidia-clara.html 80 20191031 ©Tdys13

Slide 81

Slide 81 text

コンペ領域における医療AIの変遷引⽤：・kaggle https://www.kaggle.com/competitions?sortBy=grouped&group=inClass ・Grand Challenges in Biomedical Image Analysis https://grand-challenge.org/challenges/ 医⽤画像処理の世界的コンペティション 81 20191031 ©Tdys13

Slide 82

Slide 82 text

医⽤画像処理について 82 20191031 ©Tdys13

Slide 83

Slide 83 text

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) 医⽤画像処理について 83 20191031 ©Tdys13

Slide 84

Slide 84 text

MRI，内視鏡，CTの順に多い医⽤画像処理×深層学習領域の研究医⽤画像研究にて使⽤される画像 84 引⽤：・ Litjens, Geert, et al. "A survey on deep learning in medical image analysis." Medical image analysis 42 (2017): 60-88. 20191031 ©Tdys13

Slide 85

Slide 85 text

臓器のセグメンテーション，病変等の検出が多い医⽤画像処理×深層学習領域の研究医⽤画像研究の⽬的 85 引⽤：・ Litjens, Geert, et al. "A survey on deep learning in medical image analysis." Medical image analysis 42 (2017): 60-88. 20191031 ©Tdys13

Slide 86

Slide 86 text

病理画像，脳の順に多い医⽤画像処理×深層学習領域の研究医⽤画像研究にて対象となる部位 86 引⽤：・ Litjens, Geert, et al. "A survey on deep learning in medical image analysis." Medical image analysis 42 (2017): 60-88. 20191031 ©Tdys13

Slide 87

Slide 87 text

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 87 20191031 ©Tdys13

Slide 88

Slide 88 text

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 - 検出 - 分類 - セグメテーション - ⽣成 - 超解像 - 推定(動作) 88 20191031 ©Tdys13

Slide 89

Slide 89 text

深層学習×医⽤画像の研究トレンド <頭部> 脳：脳腫瘍(セグメンテーション)，アルツハイマー(分類) 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(セグメンテーション)，肝臓部(⽣成) 腸：腫瘍(検出) <その他> 病理-細胞：がん細胞(セグメンテーション)，細胞分裂(検出) ⽪膚- ：腫瘍(分類) 89 20191031 ©Tdys13

Slide 90

Slide 90 text

深層学習の⽬的(検出) 90 『X線画像』を⽤いて『深層学習』で『肺部疾病の検出&分類』をした引⽤：・Wang, Xiaosong, et al. "Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classiﬁcation and localization of common thorax diseases." Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017. 20191031 ©Tdys13

Slide 91

Slide 91 text

深層学習の⽬的(検出) 91 引⽤：・Wang, Xiaosong, et al. "Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classiﬁcation and localization of common thorax diseases." Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017. 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) 20191031 ©Tdys13

Slide 92

Slide 92 text

深層学習の⽬的(分類) 92 『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』をした引⽤： Korolev, Sergey, et al. "Residual and plain convolutional neural networks for 3d brain mri classiﬁcation." Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium on. IEEE, 2017. 20191031 ©Tdys13

Slide 93

Slide 93 text

深層学習の⽬的(分類) 93 引⽤： Korolev, Sergey, et al. "Residual and plain convolutional neural networks for 3d brain mri classiﬁcation." Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium on. IEEE, 2017. 患者がアルツハイマー罹患者かを分類 →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 20191031 ©Tdys13

Slide 94

Slide 94 text

深層学習の⽬的(セグメンテーション) 94 『腹部CT画像』を⽤いて『H-DenseUNet』にて『肝腫瘍の⾃動セグメンテーション』をした引⽤：・ Li, Xiaomeng, et al. "H-DenseUNet: Hybrid densely connected Unet for liver and liver tumor segmentation from CT volumes." arXiv preprint arXiv:1709.07330 (2017). 20191031 ©Tdys13

Slide 95

Slide 95 text

深層学習の⽬的(⽣成) 95 引⽤：・Frid-Adar, Maayan, et al. "GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classiﬁcation." arXiv preprint arXiv:1803.01229 (2018). 20191031 ©Tdys13

Slide 96

Slide 96 text

深層学習の⽬的(⽣成) 96 引⽤：・Frid-Adar, Maayan, et al. "GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classiﬁcation." arXiv preprint arXiv:1803.01229 (2018). GANを⽤いて肝臓腫瘍っぽい画像を⽣成した 20191031 ©Tdys13

Slide 97

Slide 97 text

深層学習の⽬的(⽣成) 97 引⽤：・Frid-Adar, Maayan, et al. "GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classiﬁcation." arXiv preprint arXiv:1803.01229 (2018). GANで作られた肝臓腫瘍っぽい画像でモデルを学習、実際の患者の腹部CT画像をテスト画像として肝腫瘍を分類 20191031 ©Tdys13

Slide 98

Slide 98 text

Slide 99

Slide 99 text

医療AI開発の現状( in ⽇本 ‒ 事例紹介) 引⽤オリンパス AIを搭載した内視鏡画像診断⽀援ソフトウェア「EndoBRAIN」を発売 https://www.olympus.co.jp/news/2019/contents/nr01157/nr01157_00002.pdf 99 20191031 ©Tdys13

Slide 100

Slide 100 text

医療AI開発の現状( in ⽇本 ‒ 事例紹介) 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 [ CYBERNET × 昭和⼤学 ] ⼤腸がんのリアルタイム検出システム・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 : 病変分類引⽤：・プレスリリース昭和⼤学 AIを併⽤した⼤腸内視鏡検査：診療現場での精度が明らかに 2018 0815 https://www.u-presscenter.jp/2018/08/post-39934.html ・昭和⼤学とサイバネット，AIを併⽤した愛聴内視鏡検査にて精度93.7%を達成 https://medit.tech/real-time-pathological-diagnosis-with-super-expanded- endoscope-powered-by-ai-showa-university-and-cybernet-acquire-2018/ 100 20191031 ©Tdys13

Slide 101

Slide 101 text

医療AI開発の現状( in ⽇本 ‒ 事例紹介) 引⽤医⽤画像解析ソフトウェア EIRL aneurysm （エイルアニュリズム）を発売 https://lpixel.net/news/press-release/2019/9757/ 101 20191031 ©Tdys13

Slide 102

Slide 102 text

医療AI開発の現状( in ⽇本 ‒ 事例紹介) [ Optim ×inferVISION, ERISA, LPIXEL, vuno ] 医療画像診断⽀援AI統合プラットフォームAMIAS ・サービスの流れ " # ! 引⽤ AMIAS https://www.optim.co.jp/medical/amias/ 102 20191031 ©Tdys13

Slide 103

Slide 103 text

Slide 104

Slide 104 text

医療AI開発の現状( in ⽇本 ‒ 事例紹介) 引⽤：・世界初。AI機能で、⾼精度な⾻密度測定が簡便に深層学習で作業時間を短縮、⾼効率に活⽤できるX線TVシステム https://www.shimadzu.co.jp/news/press/8xr6gvda0g6ucsrp.html 104 20191031 ©Tdys13

Slide 105

Slide 105 text

Slide 106

Slide 106 text

医療AI開発の現状( in ⽇本 ‒ 事例紹介) 院内にAI⼈材がいる病院例：社会医療法⼈三栄会ツカザキ病院眼科⼈⼯知能チーム (兵庫県姫路市) ・AI開発，データ利活⽤をインハウスで⾏なっている・ベンチャー，スタートアップの連携も盛ん・共著の論⽂も多数・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+VGG - Testデータ : 未知の眼底画像 - 出⼒結果 : CRVO or それ以外引⽤：・AI技術を⽤いた網膜疾患の早期発⾒への取り組み https://www.tsukazaki-hp.jp/wp-content/themes/tsukazaki/pdf/ophthalmology/report20181004.pdf 106 20191031 ©Tdys13

Slide 107

Slide 107 text

約5,400⼈の眼底画像のデータセットを公開医療AI開発の現状( in ⽇本 ‒ 事例紹介) 引⽤：・ツカザキ病院眼科眼底画像オープンデータセット https://tsukazaki-ai.github.io/optos_dataset/ 107 20191031 ©Tdys13

Slide 108

Slide 108 text

医療AI開発の現状( in 海外 ‒ 事例紹介) 引⽤：・How Americaʼs 5 Top Hospitals are Using Machine Learning Today https://emerj.com/ai-sector-overviews/top-5-hospitals-using-machine-learning/ 108 ”トップ５の病院ではチャットボットが最も多く導⼊されており AI診断サービスを導⼊している病院も出てきている“ 20191031 ©Tdys13

Slide 109

Slide 109 text

医療AI開発の現状( in 海外 ‒ 事例紹介) カルテ⼊⼒・患者データ引⽤：・医者向け、⾳声認識デジタルアシスタントを提供する「Suki」 2018 0731 https://svs100.com/suki/ 109 20191031 ©Tdys13

Slide 110

Slide 110 text

医療AI開発の現状( in 海外 ‒ 事例紹介) 引⽤：・NVIDIA - Building AI with Clara Toolkits for Medical Imaging https://www.youtube.com/watch?v=T0Pjki4vXx0 110 読影医のワークフローを⼀切変えずにAIによる診断⽀援 NVIDIA×オハイオ州⽴⼤学 20191031 ©Tdys13

Slide 111

Slide 111 text

医療AI開発の現状( in 海外 ‒ 事例紹介) 中国の病院280カ所に導⼊ ↓ 病院が続々”医療AIを導⼊した”とブランディングを始める⽇本でも数カ所クリニックが導⼊プラットフォームにも乗ることが発表された引⽤：・inferVISION https://www.infervision.com/en 111 " # ! 20191031 ©Tdys13

Slide 112

Slide 112 text

医療AI開発の現状( in 海外 ‒ 事例紹介) Babylon Health 遠隔診療を⾏うAIアプリ引⽤：・Babylon Health https://www.babylonhealth.com/ 112 20191031 ©Tdys13

Slide 113

Slide 113 text

Slide 114

Slide 114 text

出てきている課題と解決⽅針 114 AIは“ブラックボックス化”を避けられないのか？ブラックボックス化とは… ⾼精度な結果が出るものの，なぜ導き出されるのか解明が出来ない問題のこと引⽤：・Can Healthcare Avoid “Black Box” Artiﬁcial Intelligence Tools? https://healthitanalytics.com/news/can-healthcare-avoid-black-box-artiﬁcial-intelligence-tools 20191031 ©Tdys13

Slide 115

Slide 115 text

Slide 116

Slide 116 text

出てきている課題と解決⽅針 116 説明可能(Explainable)なAI研究が急速に発展引⽤：・Peeking Inside the Black-Box: A Survey on Explainable Artiﬁcial Intelligence (XAI) https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8466590 20191031 ©Tdys13

Slide 117

Slide 117 text

出てきている課題と解決⽅針 117 説明可能(Explainable)なAI研究が急速に発展 Ex)・造影CTの相(通常，動脈，⾨脈，後期)を⾃動分類したい →結果，⾼精度に分類できた・しかしAIが放射線科医と同じ場所を⾒ているのか？ →AIが注⽬した部分を可視化引⽤：・ZHOU, Bo, et al. CT Data Curation for Liver Patients: Phase Recognition in Dynamic Contrast-Enhanced CT. arXiv preprint arXiv:1909.02511, 2019. 20191031 ©Tdys13

Slide 118

Slide 118 text

Slide 119

Slide 119 text

Slide 120

Slide 120 text

まとめ・⼈⼯知能は深層学習×○○の総称・医療においても課題を解決する⼿段の⼀つとして深層学習が使⽤され始めた・⼤きな変化が訪れようとしている瞬間でもある．１ファン(ヘルスケア好き)としては，『この瞬間に⽴ち会えてとても幸せ』１当事者(医⽤画像処理，機械学習エンジニア)としては，『より良く使える技術を現場に届けたい』 →技術の調和をするために，各専⾨家の調和が必要 120 20191031 ©Tdys13

Slide 121

Slide 121 text

最後に 121 20191031 ©Tdys13 講演依頼は yoshihiro.todoroki@aillis.jp またはアイリス株式会社お問い合わせページまでお願いします．講演実績 (2019年は11回登壇しました-講演会，勉強会など) ・病院における医療AI導⼊について・医療AIの現状(画像以外も含む) ・医療AIの現状(画像のみ) ・医⽤画像処理×深層学習についてなどなど轟佳⼤トドロキヨシヒロ