More Related Content
Similar to 【伝授男子】AIで人命を救うMedical Imagingとは Medical Imagingが切り開く医療の未来 (20)
More from カリス 東大AI博士 (7)
【伝授男子】AIで人命を救うMedical Imagingとは Medical Imagingが切り開く医療の未来
- 1. Medical Imagingが切り開く医療の未来 ?臨床現場にフィットするAIを創るには？ 知る?Medical Imagingとは by 韓 昌熙 | 東京?学?学院博?課程2年 March 19, 2019
- 2. Contents 1. Medical Imagingの概要 2. Medical Imagingの最先端 3. Medical Imagingならではの難しさ?AI側と医療側のギャップ 4. その既知の解決策 (Deep Learning) 5. 私の取り組み 6. 医療の近未来像 7. おすすめの?献
- 3. Medical Imagingの概要 1/29 病気の多様性や医師の潜在的疲労による 臨床意思決定の質低下を防ぐため コンピュータビジョン ≒ AIによって医?画像を解析し みんな健康かつ笑顔で暮らせる社会を実現 1. まだ実際の導?事例は少ないが、近い将来普及する 2. アメリカの病院だとMR画像からMCI患者の病気が進んで アルツハイマー病になる確率をInformed consentのもと 伝えるなどの事例
- 4. Tasks 2/29 Giloblastoma (brain cancer) 1. 病気の早期検出や診断、予後の予測 X医師を代替 O信頼できる?動セカンドオピニオン 病気の分類や検出、セグメンテーション 2. 医師のワークフローをイージーにする 病気と関わる部位だけの提? ?体の部位の領域分割 ?術のシミュレーションの提?、ノイズ除去 3. 医師にはできない画像解析 疾患の?た?とゲノムの関係性を紐解くRadiogenomics
- 5. Data 3/29 1. 放射線画像 (MRI/CT/X-ray/PET) 2. 超?波画像 3. 眼底画像/OCT画像 4. ?膚画像 5. 病理画像 6. 部位は脳????膚?肺?前?腺?脚など様々 7. ?番メジャーなのは脳MRI
- 6. Methods 4/29 1. 近年はほとんどのケースでDeep Learningが圧倒中 2. Deep Learningについてざっくり説明する
- 11. 9/29 最先端
- 14. 専?医と同レベルの、MR画像を?いた余命の予測 12/29 膠芽腫は、成?の脳のがん第1位 平均的に12-14ヶ?しか?きられない 余命宣告は難しいので112?のMR画像を使ってDeep Learning 予測性能の基準であるC-indexは0.73921でかなり正確 Shanghai Jiao Tong University, July ?17
- 15. 他の最先端 13/29 専?医と同レベルの、CT画像を?いた余命の予測 The University of Adelaide, May ?17 専?医よりも正確な、乳がんのリンパ節転移の識別 Radboud University Nijmegen, Dec ?17 364チーム参加コンペティションによる、肺炎の検出 Google & RSNA, Oct ?18
- 18. MRIのシーケンス 16/29
- 21. でもデータ少ないじゃん。どうする？ 19/29 1. 画像全体ではなく、2Dや3Dのパッチを??にして モデルのパラメータ数を減らす 2. 幾何学?強度的な変化でデータを?増しし 学習画像を増やす（最近はGANもよく使われる） 3. ImageNetなどの?量の?般画像で学習した ネットワークを?的のタスク向けに改良する（転移学習） ただ、中程度の規模の医?画像からの 転移学習の?が良いとの報告も 4. CTとMRI?MRIのT1wやT2wといったふうに 複数モダリティ?複数シーケンスを同時に使う 5. CTをもとにMRIを?成するなど 別モダリティからデータを引っ張ってくる 6. 複数タスクを少量データでMeta-trainingし それを学習の初期化に使う
- 22. でもデータ偏ってんじゃん。どうする？ 20/29 1. 単純に正例のデータを減らして、負例の数に合わせる 2. 正例?負例の重みを変える 3. 画像を切り取って、関係の薄いところを減らす 脳だとSkull-stripping
- 24. 医師からするとわからんし怪しい 22/29 1. 特徴マップを可視化するなどして Deep Learningによる意思決定や結果を 分かりやすく伝える 2. Dropout（あえてモデルを弱くする）を?れて 検出結果が変わらなかったからロバストと伝える 3. 臨床現場で役?つAIを提供するために 同じ部局にAI研究者?医師両?を置くことが増えている 4. データのラベリング（正解データ作り）に向けては クラウドソーシングが使える
- 26. 24/29 私の取り組み
- 27. ?般化でタスク依存性をなくしたい 25/29 1. 健常者の脳MR画像だけで学習し 健常者の脳の?般化モデルを作ることで それとの差分で脳の異常（腫瘍や出?）を?動的に検出 2. 複数データセットを?般化し 前?腺MR画像の中央腺と辺縁域を領域分割する 3. 実際の脳MR画像の?般化から リアルな脳MR画像をGANで合成し データ拡?に使う
- 28. 26/29 医療の近未来像
- 30. おすすめの?献 28/29 1. Deep Learning in Medical Image Analysis Dinggang Shen, 1,2 Guorong Wu, 1 and Heung-Il Suk https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5479722 2. Deep Learning in Radiology: Recent Advances, Challenges and Future Trends crcv.ucf.edu/news&info/DLradiologyRSNA2016.pdf 3. Deep learning in radiology: an overview of the concepts and a survey of the state of the art https://arxiv.org/abs/1802.08717
- 31. 引?画像?論? 29/29 1. MRIの図 http://www.dspc2007.com/limbic.html 2. AIの図 http://step?rst.co/ja/why-hr-should-get-ready-for-ai 3. Medical Imagingの図 https://shikiho.jp/news/0/205780 4. Sectional Planesの図 https://www.quora.com/ What-is-the-parasagittal-part-of-the-brain 5. Deep Learningの図 https://leapmind.io/blog/2017/06/16/ ディープラーニング（deep-learning）とは？【??編】 6. 私の論? https://arxiv.org/abs/1902.09856