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

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
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
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
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
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
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 (ﾄﾄﾞﾛｷ ﾖｼﾋﾛ) 6 20191031 ©Tdys13 @Tdys13
7. 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
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 (ﾄﾄﾞﾛｷ ﾖｼﾋﾛ) 8 20191031 ©Tdys13
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
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
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/
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
27. ⼈⼯知能について 27 引⽤： ・AI demystified https://www.callaghaninnovation.govt.nz/blog/ai-demystified 20191031 ©Tdys13
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
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
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
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
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
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
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
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
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
37. ⼈⼯知能について(現状) ) ( 37 20191031 ©Tdys13
38. ⼈⼯知能について(近未来) ) ( 38 20191031 ©Tdys13
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
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
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
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
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
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
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
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
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
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
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
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
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
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
53. 深層学習の発展(2012年~) 53 エラー率 層の深さ 20191031 ©Tdys13
54. 深層学習の発展(2012年~) 機械学習 深層学習 54 20191031 ©Tdys13
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
72. AIの医療応⽤ 72 20191031 ©Tdys13
73. AIの医療応⽤ 73 20191031 ©Tdys13
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
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
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
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
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
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
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
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
82. 医⽤画像処理について 82 20191031 ©Tdys13
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
121. 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