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120191031 ©Tdys13
View Slide
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 10/3120191031 ©Tdys13
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320191031 ©Tdys13
2341 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420191031 ©Tdys13
2341 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520191031 ©Tdys13
-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)620191031 ©Tdys13@Tdys13
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
-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)820191031 ©Tdys13
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①20191031 ©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
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②20191031 ©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
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.inchttps://aillis.jp/
2341 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1220191031 ©Tdys13
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『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
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 1520191031 ©Tdys13
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 1620191031 ©Tdys13
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?1720191031 ©Tdys13
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1820191031 ©Tdys13
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1920191031 ©Tdys13
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AM11:122020191031 ©Tdys13
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AM11:26AIって何ですか?2120191031 ©Tdys13
⼈⼯知能とはなんだ?何でも知りたいBくん既読AM11:26AI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AM11:442220191031 ©Tdys13
⼈⼯知能とはなんだ?何でも知りたいBくん既読AM11:26AI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AM11:442320191031 ©Tdys13
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AM11:44AM 11:59BくんがCのすけさんを招待しました。PM05:12Cのすけさんが参加しました。PM06:22AI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2420191031 ©Tdys13
⼈⼯知能とはなんだ?PM06:22AI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2520191031 ©Tdys13
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?PM06:22AI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
⼈⼯知能について27引⽤:・AI demystifiedhttps://www.callaghaninnovation.govt.nz/blog/ai-demystified20191031 ©Tdys13
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 demystifiedhttps://www.callaghaninnovation.govt.nz/blog/ai-demystified20191031 ©Tdys13
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 demystifiedhttps://www.callaghaninnovation.govt.nz/blog/ai-demystified20191031 ©Tdys13
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/Gb35U3020191031 ©Tdys13
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/Gb35U20191031 ©Tdys13
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.pdf20191031 ©Tdys13
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.html20191031 ©Tdys13
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.htmlWWⅡ ‒ 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
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.html2012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
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3620191031 ©Tdys13
⼈⼯知能について(現状)) (3720191031 ©Tdys13
⼈⼯知能について(近未来)) (3820191031 ©Tdys13
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>3920191031 ©Tdys13
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?PM06:22AI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
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4120191031 ©Tdys13
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4220191031 ©Tdys13
「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)<>= )<(4320191031 ©Tdys13
「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…4420191031 ©Tdys13
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
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
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
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
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
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~)5020191031 ©Tdys13
ac5ac9ac8:b 9%01 .深層学習の発展(2012年~)⽬的別の違いをざっくり説明5120191031 ©Tdys13
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~)ac5ac9ac8:b 9%01 .⽬的別の違いをざっくり説明5220191031 ©Tdys13
深層学習の発展(2012年~)53エラー率層の深さ20191031 ©Tdys13
深層学習の発展(2012年~)機械学習 深層学習5420191031 ©Tdys13
2012年,Hinton博⼠(現・Google)深層学習の発展(2012年~)引⽤:・Dr.Hintonhttps://scholar.google.co.uk/citations?user=JicYPdAAAAAJ&hl=en5520191031 ©Tdys13
2015 Kaiming He(現・Facebook AI Research)深層学習の発展(2012年~)引⽤:・Kaiming_Hehttps://scholar.google.com/citations?user=DhtAFkwAAAAJ&hl=ja5620191031 ©Tdys13
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 0323https://backyard.imjp.co.jp/articles/shelly_blog_225720191031 ©Tdys13
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 $432,500https://www.nytimes.com/2018/10/25/arts/design/ai-art-sold-christies.html5820191031 ©Tdys13
『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 learningwith deep convolutional generative adversarial networks." arXiv preprint arXiv:1511.06434 (2015).20191031 ©Tdys13
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 learningwith deep convolutional generative adversarial networks." arXiv preprint arXiv:1511.06434 (2015).20191031 ©Tdys13
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?PM06:22AI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
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
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
どの分野で発展している?引⽤:https://www.amed.go.jp/news/release_20180829-02.htmlhttps://www.legalforce.co.jp/64・創薬領域・リーガルテック20191031 ©Tdys13
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>6520191031 ©Tdys13
2341 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6620191031 ©Tdys13
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 INSIGHTShttps://app.cbinsights.com/research/report/ai-trends-healthcare/6720191031 ©Tdys13
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 INSIGHTShttps://www.cbinsights.com/research/report/healthcare-trends-q2-2019/?utm_source=medtechdive&utm_medium=press&utm_campaign=marketing_healthcare_q2-20196820191031 ©Tdys13
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 INSIGHTShttps://app.cbinsights.com/research/report/ai-trends-healthcare/20191031 ©Tdys13
AI×ヘルスケアの市場70引⽤:・CB INSIGHTShttps://www.cbinsights.com/research/digital-health-startups-redefining-healthcare/20191031 ©Tdys13
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→22019 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
AIの医療応⽤7220191031 ©Tdys13
AIの医療応⽤7320191031 ©Tdys13
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 7420191031 ©Tdys13
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)7520191031 ©Tdys13
医⽤画像処理について)(>P<XT<E CRCRM- CRM- CRM CRP I7620191031 ©Tdys13
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 cancerwith deep neural networks." Nature 542.7639 (2017): 115.7720191031 ©Tdys13
医⽤画像処理について)(>P<XT<E CRCRM- CRM- CRM CRP I7820191031 ©Tdys13
※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7920191031 ©Tdys13
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.html8020191031 ©Tdys13
コンペ領域における医療AIの変遷引⽤:・kagglehttps://www.kaggle.com/competitions?sortBy=grouped&group=inClass・Grand Challenges in Biomedical Image Analysishttps://grand-challenge.org/challenges/医⽤画像処理の世界的コンペティション8120191031 ©Tdys13
医⽤画像処理について8220191031 ©Tdys13
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8320191031 ©Tdys13
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
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
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
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8720191031 ©Tdys13
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)8820191031 ©Tdys13
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)8920191031 ©Tdys13
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 benchmarkson weakly-supervised classification and localization of common thorax diseases."Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017.20191031 ©Tdys13
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 benchmarkson 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
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
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
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 Unetfor liver and liver tumor segmentation from CT volumes."arXiv preprint arXiv:1709.07330 (2017).20191031 ©Tdys13
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 Performancein Liver Lesion Classification." arXiv preprint arXiv:1803.01229 (2018).20191031 ©Tdys13
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 Performancein 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
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 Performancein 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
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
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.pdf9920191031 ©Tdys13
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・サービスの流れͦͷଞେֶපӃݚڀػؔ()()・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 0815https://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-2018/10020191031 ©Tdys13
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/2019/9757/10120191031 ©Tdys13
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AMIAShttps://www.optim.co.jp/medical/amias/10220191031 ©Tdys13
医療AI開発の現状( in ⽇本 ‒ 事例紹介)引⽤:・AI問診UBiehttps://www.introduction.dr-ubie.com/10320191031 ©Tdys13
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.html10420191031 ©Tdys13
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/ai10520191031 ©Tdys13
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.pdf10620191031 ©Tdys13
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/10720191031 ©Tdys13
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 Todayhttps://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
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 0731https://svs100.com/suki/10920191031 ©Tdys13
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 Imaginghttps://www.youtube.com/watch?v=T0Pjki4vXx0110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
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:・inferVISIONhttps://www.infervision.com/en111 "#!20191031 ©Tdys13
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 Healthhttps://www.babylonhealth.com/11220191031 ©Tdys13
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>11320191031 ©Tdys13
出てきている課題と解決⽅針114AI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-tools20191031 ©Tdys13
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.pdf20191031 ©Tdys13
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=846659020191031 ©Tdys13
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
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>11820191031 ©Tdys13
2341 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11920191031 ©Tdys13
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12020191031 ©Tdys13
最後に12120191031 ©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