2019/6/5に福島県立医科大学の放射線医学講座にて講演させて頂いた時の資料です.
講演の機会を与えて頂きました福島県立医科大学の伊藤浩教授及び放射線医学講座の皆様に御礼を申し上げます.
個人的にはもう少し要点を絞って話すべきだったと反省しております.
自戒も込めてuploadいたします.
以下,補足メモです.合わせてご参照ください.
p.3-5 AIで画像検索をかけるとかなりの高確率で脳の画像が出てきますが,人間の脳を模擬したものがAIというわけではないという説明です.一方,実際p5にあるとおり,その定義はかなり広義に解釈が可能で,普段我々が使っているコンピュータもある意味でAIということにもなりかねません.
p.8 ここでは機械学習でも教師あり学習という種類の機械学習について紹介しております.他にはクラスタリングなどに代表される教師なし学習やDeep Q-network, AlphaGoなどが行っているような強化学習などが機械学習の種類として挙げられます.
p.16 前述の通りAlphaGoはDeep learningの技術を強化学習に用いたものですので,ちょっと毛色が他の手法と異なります.
p.19 主に画像の分野で使われるものとしてCNNやGANを挙げています.
p.31, 32 昨年のJAMIT(医用画像工学会)で理研の園田先生が話されていた内容を基に説明しております.当時理論屋の間ではデータ点輸送の説が主流だと話されておりました.ただ,それから1年経っていますので,今の主流はもう違うかもしれません.あしからずご了承ください.
p.37 最近日本の磁気共鳴医学会等でもGANの話が出てくるとのことで,GANに関する解説も行いました.
p.45 2019年5月の時点で既に前年に迫る勢いですので,今年の年末にはまた更に論文数が増大するのでしょう.ただ,指数関数でfittingして予測される値よりかは少なかったので,指数関数的な増大からは少々落ち着いてきているように思えます.
p.46 非常にざっくりしたサーベイであることをご容赦ください.
p.50 USAとChinaとの合同での研究が非常に多い印象でした.あとはUSAと書いてあっても著者名をみると中国系の著者だったりする論文がほとんどでした.中国強すぎ.
p.53 これは直近100報ではないのですが,弊施設でやられた研究でしたので紹介しました.
p.59 他にも体動補正や散乱線補正に使う研究がありました.
p.67 データ数不足対策として転移学習を挙げるのはちょっと違うなとも思ったのですが,データ数を稼げない医用画像分野においては有効な手段だと思ったので,紹介しました.
p.73 Attentionについてはちゃんと理解できていないのですが,大体ざっくりこういう説明になるのではないかと考えております.違ったらぜひご指摘ください.
p.76, 77 私の経験談です.
p.81 こういうことが起きるのではという演者の展望です.
p.83 自分の経験も含めて考えるに,やはりdeep learningのシステムは運用する上で新しいデータでの再学習も実施されるべきかと思います.
p.87 FDAは再学習を認める方向にいっているようで,いい流れであるように思います.
p.92 実際の講演では機械学習の参考書を持った私の息子(2歳)の画像を締めに載せておりました.彼が物心つく頃には既にAIが当たり前に身近に存在するでしょう.彼のようなAIネイティブな子ども達がどのような世の中を作るのか楽しみです.