Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

ヘルスケア領域でのDeep Learnigの動向

1,544 views

Published on

ヘルスケア領域でのDeep Learnigの動向
5/28のDeep Learning Lab ヘルスケア分科会用の資料です。

Published in: Healthcare
  • Be the first to comment

ヘルスケア領域でのDeep Learnigの動向

  1. 1. ヘルスケア領域での Deep Learningの動向 HoloEyes株式会社 谷口 直嗣
  2. 2. 理論系 -> 医療画像系 理論系のカンファレンス NIPS https://nips.cc/ Computer Visionのカンファレンス CVPR http://cvpr2018.thecvf.com/ ↓ 医用画像カンファレンス MICCAI https://www.miccai2018.org/en/
  3. 3. 臓器のセグメンテーション、病変の検出が中心 Grand challenges in Biomedical image analysis のデータを利用 しないと大規模データにならない。 (残念ながら日本からオーガナイズが無い) https://grand-challenge.org/
  4. 4. 肝臓のセグメンテーション Qi Dou, Lequan Yu, Hao Chen, Yueming Jin, Xin Yang, Jing Qin, Pheng Ann Heng. "3D Deeply Supervised Network for Automated Segmentation of Volumetric Medical Images" Medical Image Analysis (MedIA), 2017. (The journal version of MICCAI paper) https://github.com/yulequan/ https://www.sciencedirect.com/science/article/pii/S1361841517300725
  5. 5. 頸部癌の放射線治療ターゲットの腫瘍領域の 輪郭決定にAuto-Encoderを使用 Comparison between predicted ground-truth clinical target volume (CTV1) (blue) and physician manual contours (red) for four oropharyngeal cancer patients. The primary and nodal gross tumor volume is included (green). From left to right, we illustrate a case from each site and nodal status (base of tongue node-negative, tonsil node-negative, base of tongue node-positive, and tonsil node-positive). Credit: Carlos E. Cardenas, MD Anderson Cancer Center Carlos E. Cardenas, Rachel E. McCarroll, Laurence E. Court, Baher A. Elgohari, Hesham Elhalawani, Clifton D. Fuller, Mona J. Kamal, Mohamed A.M. Meheissen, Abdallah S.R. Mohamed, Arvind Rao, Bowman Williams, Andrew Wong, Jinzhong Yang, Michalis Aristophanous. Deep Learning Algorithm for Auto-Delineation of High-Risk Oropharyngeal Clinical Target Volumes With Built-In Dice Similarity Coefficient Parameter Optimization Function. https://www.ncbi.nlm.nih.gov/pubmed/29559291 https://www.sciencedaily.com/releases/2018/05/180509104936.ht m
  6. 6. 薬物相互作用予測 薬物-食べ物の名前と化学構造から薬物相互 作用予測 358,995の薬物-食物成分対 -> 357疾患、430 薬物、274食品成分、356食物元 薬物相互作用(86種の薬物相互作用タイプ) の予測性能92% http://www.pnas.org/content/early/2018/0 4/13/1803294115 https://phys.org/news/2018-04-deep- drug-drug-drug-food-interactions.html
  7. 7. 末期患者の余命を予測 スタンフォード病院のEHRデータベース(200万人以上)から18層のニューラルネットワークを用い て、3~12ヶ月後に患者が死亡する可能性を予測、緩和ケアが必要とされる患者にコンサル開始の選択 意思決定サポート https://stanfordmlgroup.github.io/projects/improving-palliative-care/
  8. 8. 複数患者間の位置合わせ CT画像に対して、どんな変形を行えば、患者間の位置合わせができるかを学習、強化学習の枠組みを用い て報酬が最大となる行動を選択 http://www.tmansi.net/index.php/author/tmansi/ https://arxiv.org/abs/1611.10336
  9. 9. nVidia Project Clara Tesla V100 GPU で実行される V-Net (完全な 3 次元畳み込みニューラル ネットワーク) によってセグ メンテーション処理された左心室の 3D 超音波画像 https://blogs.nvidia.co.jp/2018/04/06/ai-healthcare-gtc/
  10. 10. GAN(Generative adversarial netoworks)を 使ってデータを作成 MRI画像を入力にCT画像を生成 https://arxiv.org/abs/1612.05362 https://github.com/xinario/awesome-gan-for-medical-imaging
  11. 11. 眼底の画像から糖尿病性網膜症を検出 FDA認可されている https://www.eyediagnosis.net/

×