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)

835671ae91e49b2637313b91dacda1db?s=128

YoshihiroTodoroki

October 31, 2019
Tweet

Transcript

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 81.
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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
  24. 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
  25. 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
  26. 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
  27. 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
  28. 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
  29. 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
  30. 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
  31. 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
  32. 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
  33. 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
  34. 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
  35. 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
  36. 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
  37. 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
  38. 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
  39. 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
  40. 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