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

臨床AIイントロダクション

Keisuke OGAKI
December 13, 2020

 臨床AIイントロダクション

非MLエンジニア向けに作成した、臨床AIの論文の紹介です45分程度のプレゼン用

Keisuke OGAKI

December 13, 2020
Tweet

More Decks by Keisuke OGAKI

Other Decks in Research

Transcript

  1. Copyright © 2019 M3, Inc. All rights reserved. インターネットを活用し、 健康で楽しく長生きする人を1人でも増やし、

    不必要な医療コストを1円でも減らすこと AIイントロダクション ~最新医療AI論文20本を眺めながら~
  2. AI活用のためのステップ ときたい問題のデー タを集める データを説明する モデルを学習する 新しいデータで (前向きに)利用する • 後ろ向きに収集されたデータに示された 入力と出力を説明するモデルが学習され、そのモデル

    を用いて、前向きに臨床研究が行われる ディープラーニングによって変わったことの一つとし て、モデルはかなり汎用的であり、様々な問題に同 じ学習方法が使える。 医用画像の論文では、コンピュータビジョンの分野 の問題を解くためのモデルをそのまま医用画像でト レーニングすることが多い。 りんごを判定する問題とがんを診断する問題は データ以外全く一緒
  3. データの集め方からみる医用画像処理の3分類 模倣 変換 予測 12年後 生存してい る 乳がんの 疑いあり 曖昧な判断をへらす

    人間ではできないこ とができる 効率化 既存のワークフローでど のように利用するか 人間が解釈しにくい 問題の発見 ◦ ?
  4. 模倣 • 最も典型的な問題設定 ◦ 医学分野だと、独自のモデルを開発することは少なく、ほとんどが物体認識用のモ デル(いわゆる猫の判定をするやつ)に医用画像を覚えさせる • pros ◦ すなおな問題設定で、出力もわかりやすい

    ◦ 人間の医師との比較で検証もしやすい ▪ ほとんどの論文がここを根拠としている • cons ◦ 医師の仕事を置き換えて、“診断”を行うものなので ▪ 法規制が多い ▪ 既存のワークフローに入れにくい ◦ AIを考えて真っ先に思いつく利用先なので当然競合が多い 乳がんの疑 いあり(0~1)
  5. covid疑いあり Development and Evaluation of an AI System for COVID-19

    Diagnosis • 1. スライスごとに肺野の切り出し • 2. 切り出された肺野ごとに特徴抽出 • 3. 全スライスの特徴をマージして最終的な予測 1: CT画像からcovid-19の疑いを発見
  6. 3: マンモグラフィからの乳がんの発見 “International evaluation of an AI system for breast

    cancer screening” 乳がん • 経験を積んだ医師ならマンモグラフィからで精度よく診断できる • メジャーな問題設定で、Google等の企業も取り組んでいる
  7. • 動画から誤差2程度で予測できる • 動画と痛みのデータセットが2011年に公開されており、盛んに研究されている 5: 動画から痛みのスコア(VAS)を判定 9 6 6 痛み度合い

    “Pain Evaluation in Video using Extended Multitask Learning from Multidimensional Measurements” “Painful data: The UNBC-McMaster shoulder pain expression archive database”
  8. 変換 • 模倣パターンと違い、同じ患者に対する2通りの違うデータを用意する ◦ 人間は介在しなくて良い場合もある! • 実は学習は人間の診断を模倣するよりも簡単な場合もある ◦ 模倣よりも正解がはっきりしていることが多い ◦

    1つの入力に対して、密なフィードバックが得られる ▪ つまりデータがたくさんあるのと似た効果 ◦ 機械的に得られるデータの場合、たくさん集めやすい • pros ◦ 既存の医療機器や検査を置き換えるものになりやすい ▪ 市場もわかりやすい ▪ 個人的にもオススメ ◦ あくまでも変換なので、人間が解釈できる • cons ◦ 模倣に比べると、いい問題を見つけるのが難しい ▪ 頭をつかう
  9. 11: MRI撮影時間短縮 • Facebook fastMRI challenge • データの取得時間を短くした場合の画像劣化を AIに復元させた •

    画像は撮影時間を1/10程度に短縮した場合の実験結果 (single coil) AI補正結果 正解 入力劣化画像
  10. 12: CT画像補正 • 低線量化あるいは撮影時間短縮した場合の画像劣化を補正 • 従来手法より高画質,高速 High quality imaging from

    sparsely sampled computed tomography data with deep learning and wavelet transform in various domains, Lee, Choi, et.al., 2018 Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN), Chen, Yi Zhang, 2017
  11. 未来予測 • 入力は検査機器、出力は未来の”事実”、人間の判断を介在させない ◦ 学習時は過去の検査で学習する • 模倣とは違って、人間には出来ていないこともスコープに入る ◦ 人間はもっとざっくりした予測しかできないのを高精度化 ◦

    人間は複数の要因をうまく扱えない • pros ◦ 複雑な要因を扱えるため、人間の気づいていない条件にも気づける • cons ◦ 医師が結果を解釈できない。5年生存と言われても判断根拠がわからない
  12. 16: 腫瘍マーカーの機械学習利用 • 各マーカーの基準値との比較との比較として用いられている腫瘍マーカーを複数まとめ て学習に用いることで、悪性・良性の判定を高精度に行う・性質の分類など、腫瘍の発 見以上のことができる • 逆にいま基準値ベースなのは、人間が検査をする以上、複雑すぎるモデルはミスを産 むから? ◦

    生存を予測するスコアなども存在するが非常にざっくり “Application of Artificial Intelligence for Preoperative Diagnostic and Prognostic Prediction in Epithelial Ovarian Cancer Based on Blood Biomarkers.” 手術後 悪性 or 良性 腫瘍マーカー タイプ予測 悪性 or 良性
  13. 17: 問診基準の改善(ADHD) “Use of machine learning for behavioral distinction of

    autism and ADHD” • ADHD/ASDを診断する初期の問診表の回答から、単純集計よりもよく予測できる • さらに、65項目の問診に対して、実は5項目で十分な精度が出ることもわかった • モチベーションは、ADHDを診断してほしい親が多すぎて、今アメリカでは結果が出るま で1年とか待たなきゃいけないらしい。それを解消するため 確定診断後 予測スコア ADHD
  14. 18: 電子カルテ情報からの急性腎不全の48時間前 予測 • Google DeepMind • すでに臨床での試験も行なっている ◦ Googleが資本を入れてる病院で実験しているよう?

    • 術後や他の疾患で入院中の患者が亡くなる原因として大きく、医 師に必要とされている どのデータがAIにとって重要だったかの分析 電子カルテで記録さ れるデータの時系列 未来の急性腎障害 48時間後 “A clinically applicable approach to continuous prediction of future acute kidney injury” 検査値ごとの未来予測
  15. 19: 超大規模データを用いた、電子カルテからの バーチャル問診 “Evaluation and accurate diagnoses of pediatric diseases

    using artificial intelligence” 左の肺の上葉 に病変が認めら れる... 上葉に影があ るか -> Yes • 方法論が面白い研究 ◦ 1. カルテからバーチャル問診を行うAIを作り、カルテのデータをデータベース化しや すくする ◦ 2. その後病名を別のAIで診断 • この方法で、定型でないカルテから複数の症状をまとめて診断できるようになった
  16. 自動発見 • 今までの3パターンのようにX -> Yが明確な形では無い • pros ◦ 正解を与える必要がなく、たくさんの画像があればよい •

    cons ◦ 人間に意味のある分類になるかは、やってみなければわからない ◦ 意味を後から人間が探さなければならない 例えば、自分自身を正解とした変換として問題を解く 中間の↑ココが似ているものは似た CT画像である
  17. データの集め方からみる医用画像処理の3分類 模倣 変換 予測 12年後 生存してい る 乳がんの 疑いあり 曖昧な判断をへらす

    人間ではできないこ とができる 効率化 既存のワークフローでど のように利用するか 人間が解釈しにくい 問題の発見 ◦ ?