AI×医用画像の現状と可能性_2019年度版です 2019年に論文発表またはプレスリリースされた物を中心に振り返ります このスライドを手に取られる方にAI×医用画像の難しさと面白さが伝わることを願って。
[編集] 2019 12/29 52~54枚目スライド，139枚目スライド追加
© 20191228 @tdys13『 AI×医⽤画像 』 の現状と可能性轟 佳⼤12019年版
View Slide
© 20191228 @tdys13今年も「AI×医⽤画像の現状と可能性」をお伝えする季節がきました．本スライドは昨年，製作者・轟が趣味でリサーチしていたものをまとめ，公表したスライドの2019年版です．(※今年度も趣味で⾏なっています．)昨年と同様，今回も2019年に発表されたプレスリリース&論⽂をベースとしたまとめになっております昨年度以上にAIへの関⼼度が⼤きくなった1年でまた，医療の領域でも社会実装が動き始めたような気がしました．昨年からの進み具合を楽しんで⾒ていただければ幸いですでは，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．2019 1228 轟佳⼤2
© 20191228 @tdys132.3.4.1.3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2019- 部位別カオスマップ，技術紹介まとめ
© 20191228 @tdys132.3.4.1.4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2019- 部位別カオスマップ，技術紹介まとめ
© 20191228 @tdys13-所属-アイリス株式会社 AIエンジニア国⽴研究開発法⼈ 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-略歴-2017.4 ⽴命館⼤学 ⼤学院 情報理⼯学研究科 ⼊学(知的画像処理研究室 OB)2017.8 ~ 11 シンガポール国⽴情報研究所(A*star/i2r Knowledge-Assisted Vision Lab)2019.3 ⽴命館⼤学 ⼤学院 修了2019.4 ~ 現職-活動-研究 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 M3.com「医療AIトレンドを追う」(2019~)外部PJ 産総研 医⽤画像WGプロジェクト リーダー(2019~)-好きなもの-#最新テクノロジー，#ヘルスケア，#アイス5轟 佳⼤ (ﾄﾄﾞﾛｷ ﾖｼﾋﾛ)：@Tdys13
© 20191228 @tdys13 6御礼昨年度，このスライドを多くの⽅に⾒て頂く事が出来ました「SNSの⼒はすごい」と実感しました本当にありがとうございます！では今年の振り返りへ⾏きましょう！引⽤：・AI×医⽤画像の現状と可能性/AI×medical imaging in japan(2018)https://speakerdeck.com/tdys13/aixmedical-imaging-in-japan-2018
© 20191228 @tdys132.3.4.1.7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2019- 部位別カオスマップ，技術紹介まとめ
© 20191228 @tdys13 8まずは⼈⼯知能についての説明
© 20191228 @tdys13 9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
© 20191228 @tdys13 10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
© 20191228 @tdys13 11誰が⼈⼯知能を研究・開発している？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)
© 20191228 @tdys13 12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・開発している？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
© 20191228 @tdys13 13機械学習領域にいる⽅が研究・開発していることが多い誰が⼈⼯知能を研究・開発している？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
© 20191228 @tdys13 143度⽬のブーム＆ついに社会実装期に突⼊⼈⼯知能とは？引⽤：・総務省 情報通信⽩書http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/html/nc142120.html
© 20191228 @tdys13 15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・深層学習が使われているもの⼈⼯知能とは？引⽤：・AI demystifiedhttps://www.callaghaninnovation.govt.nz/blog/ai-demystified
© 20191228 @tdys13 16現状の⼈⼯知能はデータ，複合技術，計算資源あたりが基本構成⼈⼯知能とは？) (
© 20191228 @tdys13 17将来的には外装が付いて，より⽇常⽣活に溶け込んでいく⼈⼯知能とは？) (
© 20191228 @tdys13 18ひとやすみ・⼈⼯知能＝「機械学習or深層学習 × その他の技術」の総称・3度⽬のブーム＆社会実装フェーズ・将来的にはさらに⽇常に溶け込んでいきそう次のページから深層学習のお話
© 20191228 @tdys13 19深層学習とは？
© 20191228 @tdys13 20深層学習とは？
© 20191228 @tdys13 21「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」をベースモデルとして使⽤する深層学習とは？)<>= )<(
© 20191228 @tdys13 22画像系(医⽤画像も含む)では検出，分類，セグメンテーション，⽣成のタスクが多い深層学習×画像処理の研究ジャンルについて
© 20191228 @tdys13 23最近は「あるジャンルで提案されたモデルを別ジャンルにて応⽤する」「各ジャンルの優れたモデルを融合させる」など展開が加速している深層学習×画像処理の研究ジャンルについて
© 20191228 @tdys13 24各ジャンルで結果を出している優秀なモデル例）モデルの融合についてResNet ‒ 主に分類ジャンル・ILSVRC2015 画像分類コンペティション優勝モデル・Residual Blockを持つ構造UNet ‒ 主にセグメンテーションジャンル・ISBI2015医⽤画像セグメンテーションチャレンジ優勝モデル・short cut pathを持つU-NetというモデルHe, Kaiming, et al."Deep residual learning for image recognition."Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.Ronneberger, Olaf, Philipp Fischer, and Thomas Brox."U-net: Convolutional networks for biomedical image segmentation."International Conference on Medical image computing and computer-assisted intervention.Springer, Cham, 2015.
© 20191228 @tdys13 25Res Blockを⽤いた残差学習⼿法を提案した ResNetセグメンテーションの⾼精度化を実現した U-Net例）モデルの融合についてResNet ‒ 主に分類ジャンル UNet ‒ 主にセグメンテーションジャンルHe, Kaiming, et al."Deep residual learning for image recognition."Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.Ronneberger, Olaf, Philipp Fischer, and Thomas Brox."U-net: Convolutional networks for biomedical image segmentation."International Conference on Medical image computing and computer-assisted intervention.Springer, Cham, 2015.ResBlock U-Net
© 20191228 @tdys13 26これらのモデルを組み合わせる例）モデルの融合についてResNet ‒ 主に分類ジャンル UNet ‒ 主にセグメンテーションジャンル×He, Kaiming, et al."Deep residual learning for image recognition."Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.Ronneberger, Olaf, Philipp Fischer, and Thomas Brox."U-net: Convolutional networks for biomedical image segmentation."International Conference on Medical image computing and computer-assisted intervention.Springer, Cham, 2015.ResBlock U-Net
© 20191228 @tdys13 27Res U-Net : ResBlockを持つU-net，両モデルの良いところを合わせたモデル例）モデルの融合について×Zhang, Zhengxin, Qingjie Liu, and Yunhong Wang."Road extraction by deep residual u-net."IEEE Geoscience and Remote Sensing Letters 15.5 (2018): 749-753.
© 20191228 @tdys13 28ResUNetのみならず，多くの組み合わせモデルが存在する例）モデルの融合について×Zhang, Zhengxin, Qingjie Liu, and Yunhong Wang."Road extraction by deep residual u-net."IEEE Geoscience and Remote Sensing Letters 15.5 (2018): 749-753.
© 20191228 @tdys13 29ひとやすみ・深層学習×画像処理(医⽤画像処理) では各ジャンルにて結果を出したモデルを融合してSoTA (State of The Art : “最⾼の”という意)を⽬指すことが多い・この領域は進歩が早いので⽇々論⽂チェックしたり，コンペティションやTwitterをチェックして情報収集する次のページから『AIの医療応⽤について』『2019年の深層学習×医⽤画像処理の研究トレンドまとめ』
© 20191228 @tdys13 30遺伝⼦解析検診・早期発⾒診断治療予兆・予防AIの医療応⽤
© 20191228 @tdys13 31遺伝⼦解析◎検診・早期発⾒◎診断治療予兆・予防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
© 20191228 @tdys13 32遺伝⼦解析検診・早期発⾒診断治療予兆・予防2019年は予防や治療⽀援に関する研究や事業も出てきた！AIの医療応⽤
© 20191228 @tdys13 33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放射線分野のトップカンファレンス
© 20191228 @tdys13 34深層学習×医⽤画像の研究トレンド医⽤画像処理タスクを取り扱う世界的コンペティション引⽤：・kagglehttps://www.kaggle.com/competitions?sortBy=grouped&group=inClass・Grand Challenges in Biomedical Image Analysishttps://grand-challenge.org/challenges/
© 20191228 @tdys13 35深層学習×医⽤画像の研究トレンド肺気胸をセグメンテーションするコンペ*1，脳出⾎を検出するコンペ*2などが今年は開催されたそして⽇本⼈が上位⼊賞した！引⽤：・*1 気胸コンペ12位 ‒ エルピクセル社チーム・*2 株式会社DeNA プレスリリース 2019 12.16世界最⼤の年次医療会議の1つであるThe Radiological Society of North America(RSNA)にて、DeNAの⼤越、菅原が登壇しましたhttps://dena.ai/news/201912-rsna/引⽤：・Kaggle SIIM-ACR Pneumothorax Segmentationhttps://www.kaggle.com/c/siim-acr-pneumothorax-segmentation・Kaggle RSNA Intracranial Hemorrhage Detectionhttps://www.kaggle.com/c/rsna-intracranial-hemorrhage-detection
© 20191228 @tdys13 36深層学習×医⽤画像の研究トレンド引⽤：Santini, Gianmarco, Noémi Moreau, and Mathieu Rubeaux."Kidney tumor segmentation using an ensembling multi-stage deep learning approach.A contribution to the KiTS19 challenge."arXiv preprint arXiv:1909.00735 (2019).2019年のみで33コンペが開催された(全て医⽤画像処理タスク)医⽤画像処理学会が⽀援してコンペが開催されていることも多く，上位⼊賞者は学会にて成果報告を⾏い，論⽂としてPublishすることが多い引⽤：・Grand Challenges in Biomedical Image Analysishttps://grand-challenge.org/challenges/
© 20191228 @tdys13 37個⼈的に考えた2019年の深層学習×医⽤画像処理の研究トレンドまとめ①• SOTA：4ジャンルにて精度向上のために何をするか？- ⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？- 画像⽔増し時にGANはどうなの？- マルチモダール研究(CTとMRIを⽤いた研究)• データ収集：医⽤画像をどうやって集めるか？- ⾃動収集- DB内から⾃動的に関連画像のみ収集- 集めるのでなく，⽣成- GANに関する議論活性化- GANで⽣成をする際に気をつけるべきこと- CTからMRIに画像変換(モダリティ変換)• 予測- ⼈の脳の形状から病気予測を⾏う- ⼿術⽀援
© 20191228 @tdys13 38個⼈的に考えた2019年の深層学習×医⽤画像処理の研究トレンドまとめ②• 新たな研究：エンジニアリングをした事がない医師でも実現可能- AutoMLやNASなどのモデル⾃動探索ネットワークを⽤いた研究• 新たな研究：Radiomics(医⽤画像×患者情報)- 患者情報と医⽤画像からの結果を深層学習に⽤いる• これから来そう：他領域での技術の応⽤- 強化学習の応⽤- Data AugmentationにおけるCG活⽤• 社会実装が加速- 病院での実証実験研究- 海外のスタートアップらが開発したAI医療機器の研究成果が続々と論⽂化
© 20191228 @tdys13 39SOTA編：4ジャンルにて精度向上のために何をするか？ü ①⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？NeurlPs2019 採択『医⽤画像タスク』において『⾃然画像(ImageNet)での事前学習って本当に有効なのか』を検証した引⽤：Raghu, Maithra, et al."Transfusion: Understanding transfer learning with applications to medical imaging."arXiv preprint arXiv:1902.07208 (2019).
© 20191228 @tdys13 40SOTA編：4ジャンルにて精度向上のために何をするか？ü ①⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？・どんな研究？『医⽤画像タスクにおいて⾃然画像(ImageNet)での事前学習って本当に有効なのか』を検証した・対象領域は？胸部X線画像，眼底画像・使⽤モデルは？ResNet50，Inception v3，CBR(CBR : 2層のConvolution, Batch Normalization, Relu)・検証⽅法は？ImageNetにて取得した重みを転移する場合とモデルの重み(初期値)をランダムにした場合の精度⽐較NeurlPs2019 採択引⽤：Raghu, Maithra, et al."Transfusion: Understanding transfer learning with applications to medical imaging."arXiv preprint arXiv:1902.07208 (2019).
© 20191228 @tdys13 41学習の収束が早くなるが，精度にはほぼ影響を与えない(衝撃)SOTA編：4ジャンルにて精度向上のために何をするか？ü ①⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？・検証⽅法は？ImageNetにて取得した重みを転移する場合とモデルの重み(初期値)をランダムにした場合の精度⽐較→ほぼ精度は変わらない・何が嬉しい？学習の収束速度が早まる引⽤：Raghu, Maithra, et al."Transfusion: Understanding transfer learning with applications to medical imaging."arXiv preprint arXiv:1902.07208 (2019).
© 20191228 @tdys13 42では医⽤画像タスク向けに事前学習を⼯夫している研究などはある？SOTA編：4ジャンルにて精度向上のために何をするか？ü ①⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？・検証⽅法は？ImageNetにて取得した重みを転移する場合とモデルの重み(初期値)をランダムにした場合の精度⽐較→ほぼ精度は変わらない・何が嬉しい？学習の収束速度が早まる引⽤：Raghu, Maithra, et al."Transfusion: Understanding transfer learning with applications to medical imaging."arXiv preprint arXiv:1902.07208 (2019).
© 20191228 @tdys13 43SOTA編：4ジャンルにて精度向上のために何をするか？ü ①⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？引⽤：Qu, Jia, et al."Gastric pathology image classification using stepwise fine-tuning for deep neural networks.”Journal of healthcare engineering 2018 (2018).胃病理画像に適応させるため，転移学習を2度⾏う( ImageNet->胃病理画像(広域)->胃病理画像(拡⼤) )
© 20191228 @tdys13 44ImageNet依存による局所解に陥ることを避け，分類精度向上SOTA編：4ジャンルにて精度向上のために何をするか？ü ①⾃然画像での事前学習って医⽤画像タスクにおいて有⽤なの？Small Large結果(ROC曲線)ImageNet→胃の病理画像(広域)→胃の病理画像(拡⼤)Task : 悪性と良性分類Model : Inception v3Dataset：Small-1,080 images Large ‒ 10,800images引⽤：Qu, Jia, et al."Gastric pathology image classification using stepwise fine-tuning for deep neural networks.”Journal of healthcare engineering 2018 (2018).
© 20191228 @tdys13 45SOTA編：4ジャンルにて精度向上のために何をするか？ü ②画像⽔増し時にGANはどうなの？引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).「深層学習による診断を本当に信じるか？」という少し緊張の⾛るタイトルの論⽂→具体的には『医⽤画像領域におけるドメインシフト問題』を取り上げている
© 20191228 @tdys13 46SOTA編：4ジャンルにて精度向上のために何をするか？ü ②画像⽔増し時にGANはどうなの？※ドメインシフト問題とは？「開発時に集めた胸部X線の訓練画像とテスト画像では上⼿くいく」が，「臨床時に集められた胸部X線画像では上⼿くいかない」といった特定のタスク解決に特化したモデルが出来上がってしまう問題解決するためには？右上図のような「機材などの影響で映り⽅が異なる医⽤画像」に対して汎化性能を担保できるかが肝となる引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 47ドメインシフトが⽣じているのでは？という視点から検証，最終的に『汎化性能を担保するためにはどうすべきか？』で締めたü ②画像⽔増し時にGANはどうなの？SOTA編：4ジャンルにて精度向上のために何をするか？※ドメインシフト問題とは？「開発時に集めた胸部X線の訓練画像とテスト画像では上⼿くいく」が，「臨床時に集められた胸部X線画像では上⼿くいかない」といった特定のタスク解決に特化したモデルが出来上がってしまう問題解決するためには？右上図のような「機材などの影響で映り⽅が異なる医⽤画像」に対して汎化性能を担保できるかが肝となる引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 48SOTA編：4ジャンルにて精度向上のために何をするか？ü ②画像⽔増し時にGANはどうなの？・どんな研究？タイトル通り，『AIの診断は信じれますか？』という視点からAIの汎化性能について検証した・対象領域は？胸部X線画像・使⽤モデルは？DenceNet101・検証⽅法は？３つの各データセットを学習したモデルを⽤いて３つのデータセットをテストした際の精度検証３つのデータセット詳細引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 49SOTA編：4ジャンルにて精度向上のために何をするか？ü ②画像⽔増し時にGANはどうなの？実験結果・実験結果学習時のデータセットと，テスト時のデータセットが同じ時に最も分類精度が⾼くなる↓別のデータセットで学習した際は劣ってしまうのは汎化性能が担保されていないのでは？引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 50著者らは『GANなどの⽣成モデルを“闇雲なデータ⽔増し”のためでなく，“ドメイン適応(⾜りないバリエーションを補うために増やす)”に使うべきでは？』と述べて締めたü ②画像⽔増し時にGANはどうなの？近年，放射線画像に関する⼤規模データを⽣成する研究が多くされてるにもかかわらず，ドメインシフトに関して考慮されてないことが多い実験結果SOTA編：4ジャンルにて精度向上のために何をするか？引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 51この論⽂がQiitaなどでまとめられると同時に『AI領域におけるGANでの⽔増しはどうなのか？』という議論がTwitterにて巻き起こったü ②画像⽔増し時にGANはどうなの？実験結果SOTA編：4ジャンルにて精度向上のために何をするか？近年，放射線画像に関する⼤規模データを⽣成する研究が多くされてるにもかかわらず，ドメインシフトに関して考慮されてないことが多い引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 52GANでの⽔増しを⼯夫している研究はある？ü ②画像⽔増し時にGANはどうなの？実験結果SOTA編：4ジャンルにて精度向上のために何をするか？近年，放射線画像に関する⼤規模データを⽣成する研究が多くされてるにもかかわらず，ドメインシフトに関して考慮されてないことが多い引⽤：Pooch, Eduardo HP, Pedro L. Ballester, and Rodrigo C. Barros."Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification."arXiv preprint arXiv:1909.01940 (2019).
© 20191228 @tdys13 53遺伝⼦情報×医⽤画像(胸部X線画像)を⽤いたConditional-GANによる画像⽣成ü ②画像⽔増し時にGANはどうなの？SOTA編：4ジャンルにて精度向上のために何をするか？引⽤：Xu, Ziyue, et al."Correlation via synthesis: end-to-end nodule image generation andradiogenomic map learning based on generative adversarial network."arXiv preprint arXiv:1907.03728 (2019).実験結果←訓練画像(腫瘍)←背景画像(腫瘍なし)←結果画像(従来⼿法)←結果画像(提案⼿法)提案⼿法
© 20191228 @tdys13 54遺伝⼦情報と医⽤画像を組み合わせて⽣成することでより本物に近い画像の⽣成が可能(≒画像のバリエーションを増やすことも容易)ü ②画像⽔増し時にGANはどうなの？SOTA編：4ジャンルにて精度向上のために何をするか？引⽤：Xu, Ziyue, et al."Correlation via synthesis: end-to-end nodule image generation andradiogenomic map learning based on generative adversarial network."arXiv preprint arXiv:1907.03728 (2019).実験結果←訓練画像(腫瘍)←背景画像(腫瘍なし)←結果画像(従来⼿法)←結果画像(提案⼿法)提案⼿法
© 20191228 @tdys13 55ü ③マルチモダリティ系引⽤：Wei, Dongming, et al."Synthesis and Inpainting-Based MR-CT Registration for Image-Guided Thermal Ablation of Liver Tumors."International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer, Cham, 2019.SOTA編：4ジャンルにて精度向上のために何をするか？※マルチモダリティ系とは複数種類の画像(CT画像やMR画像，X線画像など)を複合的に⽤いる研究現場などではCT，MRIなど複合的に⾒た上で判断することが多く，より臨床に近い形へと近づけているMR画像とCT画像を⽤いて両画像の特徴を持ったMR-CT画像を作成し，肝臓腫瘍候補を検出する研究
© 20191228 @tdys13 56ü ③マルチモダリティ系SOTA編：4ジャンルにて精度向上のために何をするか？・どんな研究？MR画像とCT画像を使ってMR-CT画像を作りその画像を元に肝臓腫瘍を⾒つける研究・対象領域は？腹部CT画像・使⽤モデルは？新規提案モデル①(mutual-information based Cycle GAN-左図)MR-CT画像の⽣成のため・検証⽅法は？腫瘍のセグメンテーション精度(評価指標 : Dice)引⽤：Wei, Dongming, et al."Synthesis and Inpainting-Based MR-CT Registration for Image-Guided Thermal Ablation of Liver Tumors."International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer, Cham, 2019.
© 20191228 @tdys13 57ü ③マルチモダリティ系SOTA編：4ジャンルにて精度向上のために何をするか？・どんな研究？MR画像とCT画像を使ってMR-CT画像を作りその画像を元に肝臓腫瘍を⾒つける研究・対象領域は？腹部CT画像・使⽤モデルは？新規提案モデル②(unsupervised registration network-左図)MR-CT画像から腫瘍候補部を検出するため・検証⽅法は？腫瘍のセグメンテーション精度(評価指標 : Dice)引⽤：Wei, Dongming, et al."Synthesis and Inpainting-Based MR-CT Registration for Image-Guided Thermal Ablation of Liver Tumors."International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer, Cham, 2019.
© 20191228 @tdys13 58MR画像とCT画像を⽤いてMR-CT画像を作り学習することでモダリティが変化してもロバストにセグメンテーションする事が出来たü ③マルチモダリティ系SOTA編：4ジャンルにて精度向上のために何をするか？・どんな研究？MR画像とCT画像を使ってMR-CT画像を作りその画像を元に肝臓腫瘍を⾒つける研究・対象領域は？腹部CT画像・使⽤モデルは？新規提案モデル②(unsupervised registration network-左図)MR-CT画像から腫瘍候補部を検出するため・検証⽅法は？腫瘍のセグメンテーション精度(評価指標 : Dice)引⽤：Wei, Dongming, et al."Synthesis and Inpainting-Based MR-CT Registration for Image-Guided Thermal Ablation of Liver Tumors."International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer, Cham, 2019.
© 20191228 @tdys13 59データ収集編：医⽤画像をどうやって集める？ü ①PACS内から⾃動収集引⽤：Zhou, Bo, et al."CT Data Curation for Liver Patients: Phase Recognition in Dynamic Contrast-Enhanced CT."Domain Adaptation and Representation Transfer and Medical Image Learning with Less Labels andImperfect Data. Springer, Cham, 2019. 139-147.MICCAI2019採択PACS内にある腹部CT画像から，造影剤の影を捉えた上で求める相の画像のみを抽出する研究医師が注⽬する場所→
© 20191228 @tdys13 60データ収集編：医⽤画像をどうやって集める？ü ①PACS内から⾃動収集・どんな研究？読影医が⾒ている造影剤による臓器の変化をAIにも学習させて，⾃動的にキュレーションさせる・対象領域は？腹部CT画像・使⽤モデルは？SENet・検証⽅法は？医師が相を⾒抜く際に注⽬する部分(前ページ参照)をAIも注⽬できるか，Grad-CAMを⽤いて検証引⽤：Zhou, Bo, et al."CT Data Curation for Liver Patients: Phase Recognition in Dynamic Contrast-Enhanced CT."Domain Adaptation and Representation Transfer and Medical Image Learning with Less Labels andImperfect Data. Springer, Cham, 2019. 139-147.
© 20191228 @tdys13 61AIによる注⽬部を可視化した結果，読影医とほぼ同じ部分を注⽬した上で，相を認識していることが分かったデータ収集編：医⽤画像をどうやって集める？ü ①PACS内から⾃動収集医師が注⽬する場所→引⽤：Zhou, Bo, et al."CT Data Curation for Liver Patients: Phase Recognition in Dynamic Contrast-Enhanced CT."Domain Adaptation and Representation Transfer and Medical Image Learning with Less Labels andImperfect Data. Springer, Cham, 2019. 139-147.
© 20191228 @tdys13 62データ収集編：医⽤画像をどうやって集める？ü ②集めるのではなく⽣成する※モダリティ変換とはCT画像をMRI (T1強調画像)やX線画像といった別画像に擬似変換する引⽤：Yuan, Wenguang, et al."Unified Attentional Generative Adversarial Network for Brain Tumor Segmentationfrom Multimodal Unpaired Images."International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2019.GANを⽤いてペアになっていない画像からペア画像を⽣成し，他のモダリティに映る病変を⾃動セグメンテーションする研究
© 20191228 @tdys13 63データ収集編：医⽤画像をどうやって集める？ü ②集めるのではなく⽣成する・どんな研究？GANを⽤いて画像を変換した上で各画像に映る腫瘍をセグメンテーションする研究・対象領域は？CT画像，MRI画像・使⽤モデルは？UAGAN(提案モデル，左図)・検証⽅法は？病変部位をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Yuan, Wenguang, et al."Unified Attentional Generative Adversarial Network for Brain Tumor Segmentationfrom Multimodal Unpaired Images."International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2019.
© 20191228 @tdys13 64データ収集編：医⽤画像をどうやって集める？ü ②集めるのではなく⽣成する⾜りないモダリティをGANにより⽣成した上で訓練を⾏う事で未知のモダリティに対してもロバストにセグメンテーションを⾏う事が可能になった引⽤：Yuan, Wenguang, et al."Unified Attentional Generative Adversarial Network for Brain Tumor Segmentationfrom Multimodal Unpaired Images."International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2019.
© 20191228 @tdys13 65予測・⽀援編ü ①病気罹患予測引⽤：Guo, Jiaming, et al."Predicting Alzheimer's Disease by Hierarchical Graph Convolution from Positron Emission Tomography Imaging.”arXiv preprint arXiv:1910.00185 (2019).PET画像からアルツハイマー(軽度認知障害)を予測する研究
© 20191228 @tdys13 66予測・⽀援編ü ①病気罹患予測PET画像からアルツハイマー(軽度認知障害)を予測・分類する研究・どんな研究？PET画像を⽤いて軽度認知障害を予測・分類した・対象領域は？PET画像・使⽤モデルは？PETNet(提案モデル)・検証⽅法は？機械学習⼿法との⽐較(評価指標 : Accuracy)引⽤：Guo, Jiaming, et al."Predicting Alzheimer's Disease by Hierarchical Graph Convolution from Positron Emission Tomography Imaging.”arXiv preprint arXiv:1910.00185 (2019).
© 20191228 @tdys13 67次の論⽂は⼿術画像が映ります！！苦⼿な⽅は3ページ⾶ばしてください！！
© 20191228 @tdys13 68予測・⽀援編ü ②⼿術⽀援引⽤：Ni, Zhen-Liang, et al."Attention-Guided Lightweight Network for Real-Time Segmentation of Robotic Surgical Instruments."arXiv preprint arXiv:1910.11109 (2019).※なぜ⼿術器具のセグメンテーションを⾏う？↓⼿術ロボット制御のために⾮常に重要．ロボットが持つ器具を正確に判断し，器具がどの姿勢を保っているかを推定するため⼿術画像から術器具のセグメンテーションを⾏う研究
© 20191228 @tdys13 69予測・⽀援編ü ②⼿術⽀援・どんな研究？⼿術画像から術器具をセグメンテーションする研究・対象領域は？⼿術画像・使⽤モデルは？Attention-guided Lightweight Network (LWANet)(提案モデル，左図)・検証⽅法は？術器具部位をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Ni, Zhen-Liang, et al."Attention-Guided Lightweight Network for Real-Time Segmentation of Robotic Surgical Instruments."arXiv preprint arXiv:1910.11109 (2019).
© 20191228 @tdys13 70予測・⽀援編ü ②⼿術⽀援⼿術画像から術器具のリアルタイムセグメンテーションを⾏う研究→今後ロボット⼿術などに応⽤されていく・どんな研究？⼿術画像から術器具をセグメンテーションする研究・対象領域は？⼿術画像・使⽤モデルは？Attention-guided Lightweight Network (LWANet)(提案モデル，左図)・検証⽅法は？術器具部位をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Ni, Zhen-Liang, et al."Attention-Guided Lightweight Network for Real-Time Segmentation of Robotic Surgical Instruments."arXiv preprint arXiv:1910.11109 (2019).
© 20191228 @tdys13 71ひとやすみ・提案モデルは既存のSOTAを組み合わせたものが多い・今年はさらに現場使⽤を想定した研究が増えてきた次のページからも引き続き「個⼈的に考えたトレンドまとめ」
© 20191228 @tdys13 72新たな研究領域編ü ①臨床医がAutoMLを⽤いて病変分類モデル構築引⽤：Faes, Livia, et al."Automated deep learning design for medical image classification by health-care professionalswith no coding experience: a feasibility study."The Lancet Digital Health 1.5 (2019): e232-e242.AIの専⾨知識を持たない臨床医が機械学習⽀援ツール「AutoML」を⽤いて、疾患分類の⾼精度モデルを構築することに成功した
© 20191228 @tdys13 73新たな研究領域編ü ①臨床医がAutoMLを⽤いて病変分類モデル構築 ・どんな研究？AIの知識を持たない臨床医がAutoMLを⽤いて疾患分類(「医⽤画像を整形する」，「整形した画像をGoogle Cloud Auto MLプラットフォーム上に流す」という基礎研修を10時間受けた臨床医)・対象領域は？2クラス： (B)眼底画像，(E)⼩児胸部X線画像4クラス： (A)OCT画像データセット7クラス： (C)⽪膚画像１５クラス： (D)成⼈胸部X線画像・使⽤モデルは？AutoML・検証⽅法は？病変部位を分類できるか(評価指標 : AUPRC)引⽤：Faes, Livia, et al."Automated deep learning design for medical image classification by health-care professionalswith no coding experience: a feasibility study."The Lancet Digital Health 1.5 (2019): e232-e242.
© 20191228 @tdys13 74NAS(Neural Architecture Search)系が実証実験を通して評価された・どんな研究？AIの知識を持たない臨床医がAutoMLを⽤いて疾患分類(「医⽤画像を整形する」，「整形した画像をGoogle Cloud Auto MLプラットフォーム上に流す」という基礎研修を10時間受けた臨床医)・対象領域は？2クラス： (B)眼底画像，(E)⼩児胸部X線画像4クラス： (A)OCT画像データセット7クラス： (C)⽪膚画像１５クラス： (D)成⼈胸部X線画像・使⽤モデルは？AutoML・検証⽅法は？病変部位を分類できるか(評価指標 : AUPRC)ü ①臨床医がAutoMLを⽤いて病変分類モデル構築正解予測(結果の⾒⽅)正解列のクラス名を⾒て，予測⾏のクラス名を⾒る新たな研究領域編引⽤：Faes, Livia, et al."Automated deep learning design for medical image classification by health-care professionalswith no coding experience: a feasibility study."The Lancet Digital Health 1.5 (2019): e232-e242.
© 20191228 @tdys13 75新たな研究領域編ü ②Radiomics系(画像データ＋患者情報)「患者の画像データ」と「患者データ」を組み合わせて，脳腫瘍をセグメンテーションする研究MICCAI BraTs Challenge 2019(34ページ，Grand Challenge内の脳腫瘍コンペ)引⽤：Wang, Shuo, et al."Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction."arXiv preprint arXiv:1911.08483 (2019).⾚部 : 腫瘍緑部 : 浮腫⻩部 : 膠芽腫
© 20191228 @tdys13 76新たな研究領域編ü ②Radiomics系(画像データ＋患者情報)・どんな研究？頭部MR画像から脳腫瘍をセグメンテーションして⽣存時間を予測する・対象領域は？MR画像&患者データ(clinical factors)・使⽤モデルは？3D U-Net + regression model・検証⽅法は？腫瘍部をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Wang, Shuo, et al."Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction."arXiv preprint arXiv:1911.08483 (2019).
© 20191228 @tdys13 77Radiomicsでの結果を⽤いて患者の⽣存時間まで予測しようとする研究ü ②Radiomics系(画像データ＋患者情報)新たな研究領域編・どんな研究？頭部MR画像から脳腫瘍をセグメンテーションして⽣存時間を予測する・対象領域は？MR画像&患者データ(clinical factors)・使⽤モデルは？3D U-Net + regression model・検証⽅法は？腫瘍部をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Wang, Shuo, et al."Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction."arXiv preprint arXiv:1911.08483 (2019).
© 20191228 @tdys13 78これから来そうな研究領域編ü ①強化学習系引⽤：Man, Yunze, et al. "Deep Q Learning Driven CT Pancreas Segmentation with Geometry-Aware U-Net."IEEE transactions on medical imaging (2019).深層強化学習×U-Netを⽤いた膵臓の⾃動セグメンテーション研究
© 20191228 @tdys13 79深層強化学習を⽤いて腹部CTの中から膵臓部を⾃動判別したのちにセグメンテーションを⾏うこれから来そうな研究領域編ü ①強化学習系・どんな研究？頭部MR画像から脳腫瘍をセグメンテーションする・対象領域は？MR画像&患者データ・使⽤モデルは？3D U-Net + regression model・検証⽅法は？腫瘍部をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Man, Yunze, et al. "Deep Q Learning Driven CT Pancreas Segmentation with Geometry-Aware U-Net."IEEE transactions on medical imaging (2019).
© 20191228 @tdys13 80強化学習を含めた提案⼿法のセグメンテーション精度(Dice値)が最も⾼くなったこれから来そうな研究領域編ü ①強化学習系・どんな研究？頭部MR画像から脳腫瘍をセグメンテーションする・対象領域は？MR画像&患者データ・使⽤モデルは？3D U-Net + regression model・検証⽅法は？腫瘍部をセグメンテーションできるか(評価指標 : Dice係数)引⽤：Man, Yunze, et al. "Deep Q Learning Driven CT Pancreas Segmentation with Geometry-Aware U-Net."IEEE transactions on medical imaging (2019).
© 20191228 @tdys13 81ゲームなどに使われるCGのみを深層学習モデルに学習させて，実際の⾞道画像で⾞の検出実験をした研究ü ②Data AugmentationにおけるCG活⽤これから来そうな研究領域編引⽤：Prakash, Aayush, et al. "Structured domain randomization: Bridging the reality gap by context-aware synthetic data."2019 International Conference on Robotics and Automation (ICRA). IEEE, 2019.
© 20191228 @tdys13 82社会実装が加速ü ①病院での実証実験をホワイトペーパーNVIDIA製AI SDKであるCLARAが放射線科医のワークフローを変えずに臨床現場に医療AIを導⼊した引⽤：NVIDIAによるオハイオ州⽴⼤学で実証実験をした医療AIのホワイトペーパーhttps://news.developer.nvidia.com/wp-content/uploads/2019/09/Clara_AI_at_Ohio_State_University_Whitepaper_NVIDIA_Sept_2019.pdf
© 20191228 @tdys13 83社会実装が加速ü ②海外スタートアップ企業らの成果が論⽂化海外の医療AIスタートアップの成果が続々と論⽂化したVoxelCloud，アメリカ2016年創設AIによる医⽤画像解析肺，網膜，⼼臓領域引⽤：Hwang, Eui Jin, et al. "Deep Learning for Chest Radiograph Diagnosisin the Emergency Department."Radiology 293.3 (2019): 573-580.Lunit，韓国2013年創設AIによる医⽤画像解析肺，乳がん領域引⽤：Tajbakhsh, Nima, et al."Surrogate Supervision for Medical Image Analysis: Effective Deep LearningFrom Limited Quantities of Labeled Data." arXiv preprint arXiv:1901.08707 (2019).
© 20191228 @tdys13 84ひとやすみ・様々な研究が発展しており，従来の定⽯などをもう⼀度検証する研究なども出てきた・海外のスタートアップが出した製品の結果が論⽂としてpublishされ始めた・⽇本でも様々な研究やコンペにて結果を出し始めている次のページから『⽇本のビジネストレンド紹介2019』
© 20191228 @tdys132.3.4.1.85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2019- 部位別カオスマップ，技術紹介まとめ
© 20191228 @tdys13 86AI×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(2018年調べより)AI×ヘルスケアの市場引⽤：・CB INSIGHTShttps://app.cbinsights.com/research/report/ai-trends-healthcare/
© 20191228 @tdys13 87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×ヘルスケアの市場引⽤：・CB INSIGHTShttps://www.cbinsights.com/research/digital-health-startups-redefining-healthcare/
© 20191228 @tdys13 88AI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引⽤：・CB INSIGHTShttps://app.cbinsights.com/research/report/ai-trends-healthcare/
© 20191228 @tdys13 89AI in HealthCareへの投資額はますます増えているAIを⽤いた診断領域の市場引⽤：・CB INSIGHTShttps://www.cbinsights.com/research/ai-artificial-intelligence-healthcare-funding-q3-19/
© 20191228 @tdys13 90AIを搭載した医療機器は全世界的に益々承認され始めているAIを⽤いた診断領域の市場・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
© 20191228 @tdys13 91世界は進んでる！⽇本はどうなの！(1年ぶりにおばちゃんらも出動)
© 20191228 @tdys13 92⽇本におけるAI×医⽤画像診断(会社⼀覧)2019 1222 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
© 20191228 @tdys13 93⽇本におけるAI×医⽤画像診断(会社×共同研究先)2019 1222 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
© 20191228 @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(35事業)⼀挙に紹介するよ！！
© 20191228 @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やるよ！
© 20191228 @tdys13 96⽇本におけるAI×医⽤画像診断(詳細)[ LPIXEL × ⼤阪市⽴⼤学 ]脳動脈瘤診断⽀援ツールEIRL aneurysm （エイル アニュリズム）・⼀⾔- 医師が読影をするワークステーションに病変候補部をマーキングして出⼒- 深層学習を搭載したプログラム医療機器としては初(機械学習と深層学習の違い)引⽤・2019.10.15 LPIXEL社 プレスリリース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/プレスリリースより引⽤
© 20191228 @tdys13 97⽇本におけるAI×医⽤画像診断(詳細)[ iMed Technologies ]脳梗塞・くも膜下出⾎に対する⼿術⽀援AI開発スタートアップ・⼀⾔- CEOが脳神経外科医として16年間勤務- ⼿術⽀援システムを開発するスタートアップ引⽤・iMed Technologieshttps://imed-tech.co.jp/・PR TIMESiMed Technologies代表取締役 河野健⼀の事業テーマがNEDOに採択https://prtimes.jp/main/html/rd/p/000000004.000046244.html
© 20191228 @tdys13 98⽇本におけるAI×医⽤画像診断(詳細)[ ERISA × 滋賀医科⼤学 ]アルツハイマーおよび，軽度認知障害の早期発⾒・メモ- 認知症領域で多くの研究成果を発表する- 滋賀医科⼤学 椎野先⽣との共同研究にて国内特許を取得-脳MR画像，性別，年齢から機械学習を⽤いて3年以内に軽度認知障害罹患者がアルツハイマー病へ進⾏する確率を85%で予測引⽤・株式会社 ERISAhttps://www.erisa.co.jp/・PR TIMESアルツハイマー病に進⾏するＭＣＩ患者を識別する技術に関する国内特許を取得https://prtimes.jp/main/html/rd/p/000000007.000041196.html(PR TIMESより引⽤)
© 20191228 @tdys13 99⽇本におけるAI×医⽤画像診断(詳細)[富⼠フイルム株式会社 ]アルツハイマーおよび，軽度認知障害の早期発⾒脳⾎管障害の早期検出・⼀⾔- 脳MRIから深層学習を⽤いて1年後に軽度認知障害罹患者がアルツハイマー病へ進⾏する確率を90%で予測- 他にも脳⾎管障害のセグメンテーションなど広く研究を⾏う- 後ほどREiLIについて紹介あり引⽤・2019 10/21 ⽇本経済新聞 認知症診断、AIに活路富⼠フイルム、脳画像から予測 失敗続く新薬開発に光https://www.nikkei.com/nkd/industry/article/?DisplayType=2&n_m_code=071&ng=DGKKZO51132840Y9A011C1TJM000・FUJIFILM REiLIhttp://reili.fujifilm.com/ja/
© 20191228 @tdys13 100⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社オプティム ]眼底画像から視神経乳頭陥凹(かんおう)領域を抽出して体積を計測する簡易システムの開発・⼀⾔- 研究を⾏なっていた眼底画像領域のシステムを医療機器として認証を取得した- オプティムは他にもプラットフォーム事業も⾏う(後ほど紹介)引⽤・株式会社オプティム 2019.05.23 プレスリリース「眼底画像診断⽀援システム OPTiM Doctor Eye」医療機器プログラムの認証を取得https://www.optim.co.jp/newsdetail/20190523-pressrelease
© 20191228 @tdys13 101⽇本におけるAI×医⽤画像診断(詳細)[ イーグロース株式会社 × ツカザキ病院 ]GANを⽤いた網膜剥離画像⾃動⽣成研究・⼀⾔- 元の広⾓眼底画像に映る⾎管特徴などは維持したまま，網膜剥離病変をGANを⽤いて擬似的に⽣成した引⽤・イーグロース株式会社https://www.egrowth.co.jp/・プレスリリース 2019 06.06AIを⽤いた本物そっくりな網膜剥離画像⽣成技術を開発https://www.egrowth.co.jp/archives/931プレスリリースより抜粋
© 20191228 @tdys13 102⽇本におけるAI×医⽤画像診断(詳細)[ キャノン株式会社 ]深層学習を⽤いた眼底三次元画像の⾼画質化が可能な光⼲渉断層計・⼀⾔- 深層学習を⽤いてノイズ除去を⾏い，⾎管細部まで⾼精細化された画像を⽣成する- 医⽤画像の超解像領域では⽇本&世界のトップランナーであるキャノン引⽤・キャノン株式会社 プレスリリース 2019 04.15AI技術により検査画像の⾼画質化と検査時間の短縮を両⽴光⼲渉断層計の新ブランド「Xephilio」として"OCT-A1"を発売https://canon.jp/newsrelease/2019-04/pr-oct-a1.htmlプレスリリースより抜粋
© 20191228 @tdys13 103⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×東北⼤学 ]マルチモダリティ眼底画像を⽤いた緑内障⾃動診断AI引⽤・理化学研究所 プレスリリース 2019 03.28⼈⼯知能による⾼精度緑内障⾃動診断https://www.riken.jp/press/2019/20190328_2/#note13
© 20191228 @tdys13 104⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×東北⼤学 ]マルチモダリティ眼底画像を⽤いた緑内障⾃動診断AI・技術的視点モデル ：VGG19(pretrain-ImageNet)→ランダムフォレストデータ ：左下5種(緑内障208眼，健全眼149眼)a - 眼底画像のG(RGBのうち)のみb - 視神経乳頭，神経線維層の層厚マップc - 視神経乳頭，神経線維層のデビエーションマップd - ⻩斑，神経節細胞複合体層の層厚マップe -⻩斑，神経節細胞複合体層のデビエーションマップタスク ：分類問題引⽤・理化学研究所 プレスリリース 2019 03.28⼈⼯知能による⾼精度緑内障⾃動診断https://www.riken.jp/press/2019/20190328_2/#note13
© 20191228 @tdys13 105⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×東北⼤学 ]マルチモダリティ眼底画像を⽤いた緑内障⾃動診断AI・技術的視点モデル ：VGG19(pretrain-ImageNet)→ランダムフォレストデータ ：左下5種(緑内障208眼，健全眼149眼)a - 眼底画像のG(RGBのうち)のみb - 視神経乳頭，神経線維層の層厚マップc - 視神経乳頭，神経線維層のデビエーションマップd - ⻩斑，神経節細胞複合体層の層厚マップe -⻩斑，神経節細胞複合体層のデビエーションマップ引⽤・理化学研究所 プレスリリース 2019 03.28⼈⼯知能による⾼精度緑内障⾃動診断https://www.riken.jp/press/2019/20190328_2/#note13引⽤：・An, Guangzhou, et al."Glaucoma Diagnosis with Machine Learning Based on Optical Coherence Tomography and Color Fundus Images."Journal of healthcare engineering 2019 (2019).
© 20191228 @tdys13 106⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×東北⼤学 ]マルチモダリティ眼底画像を⽤いた緑内障⾃動診断AI・技術的視点モデル ：VGG19(pretrain-ImageNet)→ランダムフォレストデータ ：左下5種(緑内障208眼，健全眼149眼)a - 眼底画像のG(RGBのうち)のみb - 視神経乳頭，神経線維層の層厚マップc - 視神経乳頭，神経線維層のデビエーションマップd - ⻩斑，神経節細胞複合体層の層厚マップe -⻩斑，神経節細胞複合体層のデビエーションマップタスク ：分類問題検証 ：K-folds Cross Validation (K=10)評価指標：AUC結果 ：AUC=0.963引⽤・理化学研究所 プレスリリース 2019 03.28⼈⼯知能による⾼精度緑内障⾃動診断https://www.riken.jp/press/2019/20190328_2/#note13・An, Guangzhou, et al."Glaucoma Diagnosis with Machine Learning Based on Optical Coherence Tomography and Color Fundus Images."Journal of healthcare engineering 2019 (2019).
© 20191228 @tdys13 107⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社NTTドコモ×東北⼤学 ]スマホで撮影した画像から⻭周病を発⾒するAIの開発引⽤・株式会社NTTドコモ プレスリリース 2019 02.21東北⼤学とドコモ、⻭周病発⾒AIの共同研究を開始-スマートフォンを使って⻭周病検診の受診率向上をめざす-https://www.nttdocomo.co.jp/info/news_release/2019/02/21_00.html
© 20191228 @tdys13 108⽇本におけるAI×医⽤画像診断(詳細)[ ライオン株式会社×Automagi株式会社×株式会社エムティーアイ ]お⼝を開いて撮影するだけで⻭茎の状態がわかる⻭茎チェックツール「HAGUKI CHECKER」引⽤・ライオン株式会社 プレスリリース 2019 07.22“イ〜ッ”とお⼝を開いて撮影するだけで⻭ぐきの状態がわかる⻭ぐきチェックツール「HAGUKI CHECKER(ハグキチェッカー)」サービス開始https://www.lion.co.jp/ja/company/press/2019/2970・HAGUKI CHECKERhttps://haguki-check.lion-apps.jp/pc.html
© 20191228 @tdys13 109⽇本におけるAI×医⽤画像診断(詳細)[ シーメンスヘルスケア株式会社 ]胸部CT画像における「AI画像解析受託サービス」トライアル提供開始肺結節の検出・測定，⼤動脈の直径の測定引⽤・シーメンスヘルスケア株式会社 プレスリリース 2019 04.11胸部CT画像における「AI画像解析受託サービス」のトライアル提供を開始https://www.siemens-healthineers.com/jp/press-room/press-releases/pr-20190411-ai-rad.html・⼀⾔- シーメンス社製クラウドサービスを使うのが前提
© 20191228 @tdys13 110⽇本におけるAI×医⽤画像診断(詳細)[ コニカミノルタ株式会社 ]胸部単純X線画像から異常部位を検出するAIを開発引⽤・コニカミノルタ株式会社 プレスリリース 2019 04.10胸部単純X線画像から異常部位を検出するAIを共同開発https://www.konicaminolta.com/jp-ja/newsroom/topics/2019/0410-02-01.html
© 20191228 @tdys13 111⽇本におけるAI×医⽤画像診断(詳細)[ ⽇⽴株式会社 ]胸部CT画像に映る肺結節の⾃動検出引⽤・⽇⽴評論 2019 Vol.101 No.3画像診断を⾰新するAI技術https://www.hitachihyoron.com/jp/archive/2010s/2019/03/05b04/index.html・技術的視点モデル ： MK-CNN(⽇⽴独⾃)データ ：胸部CT画像(3D)，学習-816症例，テスト-202症例タスク ：検出ポイント：⾎管を学習することで，⾎管以外に検出が向かうよう設計結果 ：肺結節 検出率 93.4%⽇⽴評論より抜粋
© 20191228 @tdys13 112⽇本におけるAI×医⽤画像診断(詳細)[ Panasonic ‒ AIST Advanced AI Research Laboratory ]胸部X線画像に映る異常部のセグメンテーション引⽤・advanced AI Research Laboratory 研究テーマhttps://unit.aist.go.jp/pana-aaicrl/Research.html#cp3・近藤堅司, et al. "U-Net を⽤いた胸部 X 線画像からの解剖学的構造の領域抽出."⼈⼯知能学会全国⼤会論⽂集 第 32 回全国⼤会 (2018). ⼀般社団法⼈ ⼈⼯知能学会, 2018.・技術的視点モデル ： UNetデータ ：胸部X線画像，学習-697症例，テスト-70症例タスク ：セグメンテーション評価指標：Dice係数結果 ：Dice＝0.902論⽂より抜粋
© 20191228 @tdys13 113⽇本におけるAI×医⽤画像診断(詳細)[ 富⼠フイルム株式会社×京都⼤学 ]AI技術を⽤いたCT画像に映る間質性肺炎の診断⽀援研究引⽤・富⼠フイルム株式会社 プレスリリース 2019 04.09富⼠フイルムと京都⼤学AI技術を⽤いた間質性肺炎（*1）の診断⽀援技術の共同開発に成功https://www.fujifilm.co.jp/corporate/news/articleffnr_1417.htmlプレスリリースより抜粋
© 20191228 @tdys13 114⽇本におけるAI×医⽤画像診断(詳細)[ みずほ総合研究所×福島県⽴医科⼤学 ]肺がん検診におけるAI実⽤化に向けた共同研究引⽤・福島県⽴医科⼤学 プレスリリース 2019 07.29肺がん検診におけるAI実⽤化に向けた共同研究を開始https://www.fmu.ac.jp/univ/daigaku/topics/20190729.html
© 20191228 @tdys13 115⽇本におけるAI×医⽤画像診断(詳細)[ GEヘルスケア×⼩倉記念病院 ]冠動脈内腔の⾃動セグメンテーション引⽤・GEヘルスケア プレスリリース 2019 09.03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の成果を⽰すhttp://www3.gehealthcare.co.jp/ja-jp/event_and_news/news_and_initiatives/2019/press14 ϦΞϧλΠϜࣗಈηάϝϯςʔγϣϯγεςϜ ・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+3D-UNetTestデータ : 未知のCT画像出⼒結果 : 冠動脈内腔の⾃動セグメンテーション
© 20191228 @tdys13 116⽇本におけるAI×医⽤画像診断(詳細)[ テルモ株式会社×菊名記念病院 ]AIによる⼼臓カテーテル治療⽀援引⽤・テルモ株式会社 プレスリリース 2019 10.31テルモと菊名記念病院、AIによる⼼臓カテーテル治療⽀援の共同研究を開始https://www.terumo.co.jp/pressrelease/detail/20191031/1007/・⼀⾔今まで医師が⾏ってきたことをAIで再現できるかに挑戦する研究→⾎管径やプラーク断⾯積の⾃動計測，患者に最適なサイズのステント選択など
© 20191228 @tdys13 117⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×富⼠通×昭和⼤学 ]AIを⽤いた超⾳波検査における影の⾃動検出引⽤・国⽴がん研究センター プレスリリース 2019 07.26AIを⽤いた超⾳波検査における影の⾃動検出ラベルなしデータ学習で胎児⼼臓スクリーニング技術に進展https://www.ncc.go.jp/jp/information/pr_release/2019/0726/index.html
© 20191228 @tdys13 118⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×富⼠通×昭和⼤学 ]AIを⽤いた超⾳波検査における影の⾃動検出引⽤・Yasutomi, Suguru, Tatsuya Arakaki, and Ryuji Hamamoto."Shadow Detection for Ultrasound Images Using Unlabeled Data and Synthetic Shadows." (2019).・技術的視点データ : 正常胎児⼼臓の超⾳波動画(訓練：93videos/37,378枚，検証：9videos/61枚，テスト：9videos/52枚)ネットワーク : エンコーダデコーダモデル出⼒結果 :超⾳波に映る影の検出
© 20191228 @tdys13 119⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社フィックスターズ×慶應義塾⼤学 ]乳房超⾳波検査リアルタイム解析システムによる乳がん検出引⽤・株式会社フィックスターズ プレスリリース 2019 07.11慶應義塾⼤学医学部と共同研究で、⽇本初のAIを⽤いた乳房超⾳波検査リアルタイム解析システムを学会で発表https://www.fixstars.com/ja/news/2125/
© 20191228 @tdys13 120⽇本におけるAI×医⽤画像診断(詳細)[ 岡⼭⼤学×株式会社両備システムズ ]⼈⼯知能（AI）を⽤いた早期胃がん内視鏡診断システムを開発引⽤・岡⼭⼤学 プレスリリース 2019 05.23⼈⼯知能（AI）を⽤いた早期胃がん内視鏡診断システムを開発https://www.okayama-u.ac.jp/up_load_files/press2019/press20190523-5.pdf・技術的視点データ : 内視鏡的切除術をした粘膜内がん100例，粘膜下層浸潤がん 50 例外科⼿術をした粘膜下層浸潤がん 50 例モデル : ResNet152層結果 : (画像単位ごと)感度82.7%，特異度63.0%(症例ごと)感度82.0%，特異度71.0%
© 20191228 @tdys13 121⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社AIメディカルサービス ]内視鏡画像診断⽀援AIの開発引⽤・株式会社AIメディカルサービス プレスリリース 2019 10.04臨床試験の推進等に約46億円を調達https://www.ai-ms.com/20191004/347/・株式会社AIメディカルサービス プレスリリース 2019 11.07⽶国FDAからブレイクスルーデバイス指定を受けましたhttps://www.ai-ms.com/20191107/363/・⼀⾔⼤型資⾦調達も2019年に⾏い，アメリカFDAよりブレイクスルーデバイスの指定もされた
© 20191228 @tdys13 122⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社LPIXEL]⼤腸内視鏡画像診断⽀援AIの開発引⽤・「MICCAI 2019」にエルピクセル福⽥が登壇し、⼤腸内視鏡AIの開発成果を発表いたしましたhttps://lpixel.net/news/information/2019/9810/・「⼈⼯知能による⾻⾁腫X線診断ツール」の研究成果を発表https://eirl.ai/ja/news/2019/07/12/576/・精⼦の運動性を⾼精度に算出するAIを開発https://lpixel.net/news/press-release/2019/9865/・⼀⾔多くの領域で共同研究を⾏なっているエルピクセル他にも⾻⾁腫診断⽀援，精⼦の運動性を算出するAIなど多くの研究を⾏うまた，⾃社製品としてもEIRLなどの統合的なソフトウェアを開発している
© 20191228 @tdys13 123⽇本におけるAI×医⽤画像診断(詳細)[ オリンパス株式会社 ]AI搭載 内視鏡画像診断ソフトウェアEndoBRAIN発売開始引⽤・オリンパス株式会社 プレスリリース 2019 02.25AI 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・⼀⾔AI(機械学習)を搭載した内視鏡画像診断⽀援ソフトウェアが⽇本で初めて薬事承認され，発売された
© 20191228 @tdys13 124⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社NTTデータ×宮崎⼤学 ]AIを⽤いたがん検出において⼈種差が⽣じないかに関する研究引⽤・株式会社NTTデータ プレスリリース 2019 09.26宮崎⼤学とNTTデータがAI画像診断の実証実験を実施https://www.nttdata.com/jp/ja/news/release/2019/092600/・技術的視点学習データ ： 腹部CT画像11万枚(アメリカ⼈患者5000名)テストデータ ： 宮崎⼤学付属病院の患者700名(250名の腎癌患者，200名の腎臓疾患患者，250名の健康患者)モデル ： ???結果 ： 感度82.0%，特異度95.0%
© 20191228 @tdys13 125⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×⽇本医科⼤学 ]がんの未知なる特徴をAIが発⾒引⽤・理化学研究所 プレスリリース 2019 12.18がんの未知なる特徴をAIが発⾒https://www.riken.jp/press/2019/20191218_2/index.html・技術的視点学習データ ： 病理画像13,188枚(AI学習⽤換算≒860億枚)テストデータ ： 病理画像2,276枚(AI学習⽤換算≒100億枚)モデル ： Deep AutoEncoder結果 ： AUC=0.82
© 20191228 @tdys13 126⽇本におけるAI×医⽤画像診断(詳細)[ 理化学研究所×⽇本医科⼤学 ]がんの未知なる特徴をAIが発⾒引⽤Yamamoto, Yoichiro, et al."Automated acquisition of explainable knowledge from unannotated histopathology images."Nature Communications 10.1 (2019): 1-9.・技術的視点学習データ ： 病理画像13,188枚(AI学習⽤換算≒860億枚)テストデータ ： 病理画像2,276枚(AI学習⽤換算≒100億枚)モデル ： Deep AutoEncoder結果 ： AUC=0.82
© 20191228 @tdys13 127⽇本におけるAI×医⽤画像診断(詳細)[ 九州⼤学×国⽴情報学研究所 ]病理医の読影⽅法を模倣した⼿法の提案(研究-CVPR2019)引⽤・国⽴情報学研究所 医療ビックデータ研究センター よりhttp://research.nii.ac.jp/rc4mb/publication/2019/06/09/bise-cvpr2019.html
© 20191228 @tdys13 128⽇本におけるAI×医⽤画像診断(詳細)[ 九州⼤学×国⽴情報学研究所 ]病理医の読影⽅法を模倣した⼿法の提案(研究-CVPR2019)引⽤・Tokunaga, Hiroki, et al."Adaptive Weighting Multi-Field-of-View CNN for Semantic Segmentation in Pathology."Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.・技術的視点データ ： 29⼈の患者から採取された病理画像(29枚- 最⼤54,000×108,000ピクセル)2クラス時→167,766枚 / 4クラス時→20,848枚タスク ： セグメンテーションモデル ： AWMF-CNN(Adaptive-Weighting-Multi-Field-of-View CNN )評価指標 ： mIoU結果 ： 2クラス(腫瘍部orその他)時mIoU=0.831，4クラス(腫瘍4種類)時mIoU=0.536
© 20191228 @tdys13 129⽇本におけるAI×医⽤画像診断(詳細)[ 九州⼤学×国⽴情報学研究所 ]病理医の読影⽅法を模倣した⼿法の提案(研究-CVPR2019)・技術的視点モデル ： AWMF-CNN(Adaptive-Weighting-Multi-Field-of-View CNN )詳細モデル ： Expert CNN(Unetベース)： Weighting CNN(Xceptionベース)： 各モデルからの出⼒にWeighting CNNにて算出した重みを掛け合わせConcat.5層の畳み込み層を掛けてsoftmaxにてクラス分類引⽤・Tokunaga, Hiroki, et al."Adaptive Weighting Multi-Field-of-View CNN for Semantic Segmentation in Pathology."Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.
© 20191228 @tdys13 130⽇本におけるAI×医⽤画像診断(詳細)[ 九州⼤学×国⽴情報学研究所 ]病理医の読影⽅法を模倣した⼿法の提案(研究-CVPR2019)2クラスセグメンテーション結果(腫瘍部orその他)4クラスセグメンテーション結果(腫瘍部4種類)a : 元画像b : アノテーション画像c : U-Neth : 提案⼿法(Fixed)I : 提案⼿法(Adaptive)結果画像引⽤・Tokunaga, Hiroki, et al."Adaptive Weighting Multi-Field-of-View CNN for Semantic Segmentation in Pathology."Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.
© 20191228 @tdys13 131⽇本におけるAI×医⽤画像診断(詳細)[ 九州⼤学×国⽴情報学研究所 ]病理医の読影⽅法を模倣した⼿法の提案(研究-CVPR2019)引⽤・Han, Changhee, et al."Learning more with less: conditional PGGAN-based data augmentationfor brain metastases detection using highly-rough annotation on MR images."arXiv preprint arXiv:1902.09856 (2019).・⼀⾔この研究のみならず，多くの研究を⾏い，著名学会にて研究成果を発表している例) 医療ビックデータ研究センター×東⼤×ケンブリッジ⼤学×国⽴医療研究センター病院の共同研究→精度を向上させるため，医⽤画像のバリエーションをConditional-PGGANを⽤いて増やす研究
© 20191228 @tdys13 132⽇本におけるAI×医⽤画像診断(詳細)[ 国⽴情報学研究所×⽇本病理学会×福島県 ]病理医不⾜が深刻な現場にて胃⽣検AIシステムの実証実験引⽤・福島県⽴医科⼤学 プレスリリース 2019 03.15AMED研究事業「⾃⽴性・持続性を持った病理診断⽀援システムを構築するための地域実証実験モデル」による成果報告http://p-wsi.jp/press_release/%E3%83%97%E3%83%AC%E3%82%B9%E3%83%AA%E3%83%AA%E3%83%BC%E3%82%B9/
© 20191228 @tdys13 133⽇本におけるAI×医⽤画像診断(詳細)[ 国⽴情報学研究所×学会 ]データベースの構築および医療AIの構築引⽤・国⽴情報学研究所よりAMED 「臨床研究等ICT基盤構築・⼈⼯知能実装研究事業」https://www.nii.ac.jp/research/projects/amed/・⼀⾔参加学会は⽇本眼科学会，⽇本⽪膚科学会，⽇本病理学会，⽇本超⾳波医学会，⽇本医学放射線学会，⽇本消化器内視鏡学会
© 20191228 @tdys13 134⽇本におけるAI×医⽤画像診断(詳細)[ 三栄会 ツカザキ病院 ]院内画像によるデータベース構築引⽤・Tsukazaki Optos Public Projecthttps://tsukazaki-ai.github.io/optos_dataset/・⼀⾔病院で集めた眼底画像をデータセットとして公開した
© 20191228 @tdys13 135⽇本におけるAI×医⽤画像診断(詳細)[ オリンパス株式会社×⼤分⼤学×福岡⼯業⼤学×東京⼤学×国⽴がん研究センター東病院 ]⼿術ナビゲーションAIの研究および統合⼿術⽀援引⽤・オリンパス株式会社 プレスリリース 2019 03.07オリンパス・⼤分⼤学・福岡⼯業⼤学の共同開発プロジェクトが世界初の AI ナビゲーション外科⼿術※の成功に貢献https://www.olympus.co.jp/news/2019/contents/nr01159/nr01159_00000.pdf・⽇本経済新聞 2019 10.25オリンパス、AIとロボットで⼿術⽀援へhttps://www.nikkei.com/article/DGXMZO51381000V21C19A0XB0000/
© 20191228 @tdys13 136⽇本におけるAI×医⽤画像診断(詳細)[ 株式会社オプティム ]統合画像診断プラットフォームAMIAS引⽤・株式会社オプティム プレスリリース 2019 04.11医療画像診断⽀援AI統合オープンプラットフォーム「AMIAS」（アミアス）を提供開始https://www.optim.co.jp/newsdetail/20190411-pressrelease・AMIAShttps://www.optim.co.jp/medical/amias/・⼀⾔Infervision : 中国，肺結節などERISA : ⽇本(島根)，認知症早期検出vuno : 韓国，⾻年齢や⾻折を判定するLPIXEL : 10種類以上の疾患を判定する(EIRL)
© 20191228 @tdys13 137⽇本におけるAI×医⽤画像診断(詳細)[ 富⼠フイルム株式会社 ]統合画像診断プラットフォームREiLI(怜悧)引⽤・フジフィルム REiLI(怜悧)http://reili.fujifilm.com/ja/・⼀⾔ReiLI楽しみ&⾊々と知りたいなぁ
© 20191228 @tdys13 138⽇本におけるAI×医⽤画像診断(詳細)[ アイリス株式会社 ]AIを搭載したインフルエンザ診断医療機器引⽤・アイリス株式会社https://aillis.jp/・⼀⾔ハードウェア，ソフトウェア，AIを開発するスタートアップපӃͳͲ
© 20191228 @tdys13 139⽇本におけるAI×医⽤画像診断(おまけ)[ ⼀般社団法⼈ライフデータイニシアティブ×株式会社NTTデータ ]次世代医療基盤法に基づく匿名加⼯事業者の認定引⽤・内閣官房健康・医療戦略室 内閣府⽇本医療研究開発機構・医療情報基盤担当室次世代医療基盤法とはhttps://www8.cao.go.jp/iryou/gaiyou/pdf/seidonogaiyou.pdfオプトインのみならずオプトアウトにより取得したデータを国が定めた認定匿名加⼯事業者は出来るようになった更なる研究の為の法整備，事業者整備がいよいよ始動引⽤・内閣府 プレスリリース 2019 12.19次世代医療基盤法に基づく事業者の認定について（令和元年12⽉19⽇）https://www8.cao.go.jp/iryou/nintei/nintei/jigyousha/jigyoushanintei.html
© 20191228 @tdys13 140『AI×医⽤画像』の現状と可能性(ビジネストレンド編)まとめ結果 ：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
© 20191228 @tdys13 141AI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出てきている課題と解決⽅針
© 20191228 @tdys13 142出てきている課題と解決⽅針引⽤：・総務省「AI開発ガイドライン」http://www.soumu.go.jp/main_content/000499625.pdf
© 20191228 @tdys13 143出てきている課題と解決⽅針引⽤：・Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8466590説明可能(Explainable)なAI研究が急速に発展→とりわけ医療系においては“納得感”を得られるAI研究が⾮常に重要だと(個⼈的に)思う
© 20191228 @tdys132.3.4.1.144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2019- 部位別カオスマップ，技術紹介まとめ
© 20191228 @tdys13 145エピローグいよいよAIが実社会に実装され始めることを感じた元年でした。医療領域でもそれは感じる事ができましたこれをきっかけに来年以降も益々盛り上がっていくのだろうなと思いを馳せつつ、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』と強く感じました。
© 20191228 @tdys13 146最後にAI × 医⽤画像処理 は難しいけど、やっぱり⾯⽩い！！！！！！
© 20191228 @tdys13 147各種連絡①講演依頼は[email protected]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)などなど轟佳⼤トドロキヨシヒロ
© 20191228 @tdys13 148各種連絡②現在、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にてリーダーをしています。プロジェクト内容は「⽇本における医療AI事業・研究をさらに進めるため」に⾃由に使⽤できる医⽤画像データセット作成に関するプロジェクトを推し進めております。興味・関⼼がある事業者さん、または病院関係者さんは⼀度詳しくお話をしませんか？
© 20191228 @tdys13 149各種連絡③来年はアジア版とかEU版とかのスライドを、賛同してくれる⽅と作りたいな！
tdys13
drumath2237
eliasnogueira
odasho
sakaik
nikkei_engineer_recruiting
k1low
kentosuzuki
uzulla
oracle4engineer
6onoda
lmi
takufujii
lara
chriscoyier
samlambert
dougneiner
pedronauck
philnash
myddelton
gr2m
aleyda
sferik
roundedbygravity