Upgrade to Pro — share decks privately, control downloads, hide ads and more …

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

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

YoshihiroTodoroki

October 31, 2019
Tweet

More Decks by YoshihiroTodoroki

Other Decks in Technology

Transcript

  1. 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

    View Slide

  2. 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

    View Slide

  3. 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

    View Slide

  4. 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

    View Slide

  5. 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

    View Slide

  6. -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 (トドロキ ヨシヒロ)
    6
    20191031 ©Tdys13
    @Tdys13

    View Slide

  7. 轟 佳⼤ (トドロキ 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

    View Slide

  8. -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 (トドロキ ヨシヒロ)
    8
    20191031 ©Tdys13

    View Slide

  9. 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

    View Slide

  10. 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

    View Slide

  11. 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/

    View Slide

  12. 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

    View Slide

  13. 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

    View Slide

  14. 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

    View Slide

  15. 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

    View Slide

  16. 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

    View Slide

  17. 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

    View Slide

  18. 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

    View Slide

  19. 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

    View Slide

  20. 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

    View Slide

  21. 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

    View Slide

  22. 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

    View Slide

  23. 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

    View Slide

  24. 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

    View Slide

  25. 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

    View Slide

  26. 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

    View Slide

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

    View Slide

  28. 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

    View Slide

  29. 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

    View Slide

  30. 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

    View Slide

  31. 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

    View Slide

  32. 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

    View Slide

  33. 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

    View Slide

  34. 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

    View Slide

  35. 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

    View Slide

  36. 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

    View Slide

  37. ⼈⼯知能について(現状)
    ) (
    37
    20191031 ©Tdys13

    View Slide

  38. ⼈⼯知能について(近未来)
    ) (
    38
    20191031 ©Tdys13

    View Slide

  39. 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

    View Slide

  40. 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

    View Slide

  41. 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

    View Slide

  42. 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
    42
    20191031 ©Tdys13

    View Slide

  43. 「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

    View Slide

  44. 「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

    View Slide

  45. 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

    View Slide

  46. 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

    View Slide

  47. 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

    View Slide

  48. 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

    View Slide

  49. 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

    View Slide

  50. 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

    View Slide

  51. 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

    View Slide

  52. 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

    View Slide

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

    View Slide

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

    View Slide

  55. 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

    View Slide

  56. 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

    View Slide

  57. 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

    View Slide

  58. 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

    View Slide

  59. 『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

    View Slide

  60. 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

    View Slide

  61. 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

    View Slide

  62. 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

    View Slide

  63. 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

    View Slide

  64. 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

    View Slide

  65. 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

    View Slide

  66. 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

    View Slide

  67. 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

    View Slide

  68. 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

    View Slide

  69. 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

    View Slide

  70. 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

    View Slide

  71. 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

    View Slide

  72. AIの医療応⽤
    72
    20191031 ©Tdys13

    View Slide

  73. AIの医療応⽤
    73
    20191031 ©Tdys13

    View Slide

  74. 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

    View Slide

  75. 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

    View Slide

  76. 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

    View Slide

  77. 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

    View Slide

  78. 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

    View Slide

  79. ※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

    View Slide

  80. 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

    View Slide

  81. 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

    View Slide

  82. 医⽤画像処理について
    82
    20191031 ©Tdys13

    View Slide

  83. 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

    View Slide

  84. 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

    View Slide

  85. 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

    View Slide

  86. 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

    View Slide

  87. 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

    View Slide

  88. 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

    View Slide

  89. 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

    View Slide

  90. 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

    View Slide

  91. 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

    View Slide

  92. 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

    View Slide

  93. 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

    View Slide

  94. 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

    View Slide

  95. 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

    View Slide

  96. 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

    View Slide

  97. 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

    View Slide

  98. 眼底画像から患者の年齢,性別,BMI,⾎圧,
    喫煙習慣の有無,⼼臓発作の経験を予測
    98
    深層学習の⽬的(その他-予測)







    20191031 ©Tdys13

    View Slide

  99. 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

    View Slide

  100. 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

    View Slide

  101. 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

    View Slide

  102. 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

    View Slide

  103. 医療AI開発の現状( in ⽇本 ‒ 事例紹介)
    引⽤:
    ・AI問診UBie
    https://www.introduction.dr-ubie.com/
    103
    20191031 ©Tdys13

    View Slide

  104. 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

    View Slide

  105. 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 ⼈⼯知能チーム
    https://www.tsukazaki-hp.jp/care/ophthalmology/ai
    105
    20191031 ©Tdys13

    View Slide

  106. 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

    View Slide

  107. 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

    View Slide

  108. 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

    View Slide

  109. 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

    View Slide

  110. 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

    View Slide

  111. 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

    View Slide

  112. 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

    View Slide

  113. ⼀旦休憩
    ・研究が2014年以降盛り上がり,
    今は社会実装フェーズに移っている
    ・今年は各社動き始めてる!!!
    <ひと⼝メモ>
    113
    20191031 ©Tdys13

    View Slide

  114. 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

    View Slide

  115. 出てきている課題と解決⽅針
    115
    引⽤:
    ・総務省「AI開発ガイドライン」
    http://www.soumu.go.jp/main_content/000499625.pdf
    20191031 ©Tdys13

    View Slide

  116. 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

    View Slide

  117. 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

    View Slide

  118. ⼀旦休憩
    ・もちろん課題もたくさんあるが,
    研究を通して解決を⽬指している
    <ひと⼝メモ>
    118
    20191031 ©Tdys13

    View Slide

  119. 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
    119
    20191031 ©Tdys13

    View Slide

  120. 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

    View Slide

  121. 最後に
    121
    20191031 ©Tdys13
    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)
    ・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

    View Slide