Mahoutによるアルツハイマー診断支援へ向けた取り組み (Hadoop Confernce Japan 2014)

5,259 views

Published on

■Hadoop Confernce Japan 2014講演資料
https://hcj2014.eventbrite.com/

『Mahoutによるアルツハイマー診断支援へ向けた取り組み』
髙田 正彬 (新日鉄住金ソリューションズ)

Published in: Technology
0 Comments
4 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
5,259
On SlideShare
0
From Embeds
0
Number of Embeds
2,614
Actions
Shares
0
Downloads
69
Comments
0
Likes
4
Embeds 0
No embeds

No notes for slide

Mahoutによるアルツハイマー診断支援へ向けた取り組み (Hadoop Confernce Japan 2014)

  1. 1. Mahoutによる アルツハイマー診断支援へ向けた取り組み Hadoop Conference Japan 2014 (2014/07/08) 新日鉄住金ソリューションズ株式会社 髙田 正彬
  2. 2. Data Science & Infrastructure Technologies, Systems R&D Center 自己紹介 髙田 正彬(たかだ まさあき)  所属:新日鉄住金ソリューションズ(株) システム研究開発センター データ分析・基盤研究部  専門分野:機械学習、統計、分散システム  業務内容:社内データの分析、Hadoopの検証など 2 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  3. 3. Data Science & Infrastructure Technologies, Systems R&D Center 本日の内容 1. 弊社におけるビッグデータへの取り組み 2. アルツハイマー病診断支援へ向けて i. 取り組みの背景 ii. 医療画像データの解析手法 iii. 解析結果 3 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  4. 4. 弊社におけるビッグデータへの取り組み
  5. 5. Data Science & Infrastructure Technologies, Systems R&D Center 新日鉄住金ソリューションズ 経営とシステムの全体最適をめざす システムライフサイクル・トータルソリューション 業務系ソリューション  産業  流通・サービス  金融  社会・公共  鉄鋼  テレコミュニケーション 基盤系ソリューション  パブリッククラウド・サービス  プライベートクラウド構築  統合基盤エンジニアリング  プロダクトソリューション ビジネスサービス  システム運用  データセンター・サービス  アプリケーション・サービス  アウトソーシング・サービス  プロダクトサポート 研究開発・ 新ソリューション推進  システム研究開発  ソフトウェア開発  クラウドサービスビジネス  エンベデッド・ユビキタスシステム  環境・エネルギーソリューション  IFRSソリューション システム・インフラ インフラ統合基盤 アプリケーション統合基盤 共通システム・ ユーティリティ基盤 業務アプリケーション サービス 構築 運用・保守 ITコンサル 5 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  6. 6. Data Science & Infrastructure Technologies, Systems R&D Center 弊社におけるデータ利活用の取り組み 6 データマイニング データ分析、モデル構築、マーケティング戦略など 情報活用のコンサルティングノウハウ DWH / BI 大規模DWHシステム、BIツール・統計解析ツール技術 先端アプリケーション(ナレッジ・最適化など)に関する技術 最適化 統計解析 •顧客行動データ に基づく、セグ メンテーション やプロモーショ ン(顧客戦略の 高度化) •通信やログデー タに基づく、解 約防止の顧客戦 略や障害事前検 知のサービス品 質向上 •販売動向や品質 情報のデータ解 析・因子特定に 基づく、生産プ ロセス最適化へ の応用 •大量データの統 計処理とデー タ・テキストマ イニング 通販 通信 製造 社会・公共 •医療画像データ によるアルツハ イマー診断支援 医療 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  7. 7. Data Science & Infrastructure Technologies, Systems R&D Center 弊社におけるHadoopの取り組み '09 '11’06 MapReduce 論文を発表 Hadoop誕生 MapR Technologies設立 '13'12 '14 Hadoop実運用 認定販売代理店として Cloudera社と提携Hadoopを研究対象に採用 Hadoop アプリケーションの製作 Cloudera設立 Hortonworks設立 国内販売パートナーとし てMapR社と提携 他社との共同検証による 実業務適用検討を複数実施 HCJ 2013 Winter にて講演 7 弊社の取り組み Hadoop界隈の動向 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  8. 8. アルツハイマー病診断支援へ向けて 取り組みの背景
  9. 9. Data Science & Infrastructure Technologies, Systems R&D Center 取り組みの背景 本研究は、NEDO(独立行政法人 新エネルギー・産業技術総合開発機構)の 「脳画像・臨床・ITによるアルツハイマー病(AD)超早期診断 と先制医療の実現」プロジェクトの一環で実施。 9 IT融合による新社会システムの開発・実証プロジェクト 脳画像・臨床・ITによる アルツハイマー病超早期診断と先制医療の実現 J-ADNI2 臨床研究 画像技術 開発研究 臨床研究クラウ ドサービスの 構築と評価 多様なデータの管理・整理、データ分 析・解析、研究者間のコミュニケー ションをITにより加速・支援するため に以下を行う。 【役割1】 臨床研究クラウドサービス構築 ⇒別チームで実施 【役割2】 超早期診断支援のための検証 ⇒今回の内容 新日鉄住金ソリューションズ㈱の担当 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  10. 10. Data Science & Infrastructure Technologies, Systems R&D Center 役割1:臨床研究クラウドサービスの構築 10 コミュニティサービス データセンターや研究コア CombinedDataBase ( CDB ) DICOM サ ー バ 大学病院など 全国40施設 被験者登録 検査予約登録 用紙検査結果登録 PET検査 PET検査結果登録 MRI検査 MRI検査結果登録 生化学検査 生化学検査結果登録 問題 申請登録 用紙検査 参加希望者 RDBMS(PostgreSQL)RDBMS(PostgreSQL) ファイル保存ディレクトリ Webアプリケーション (RedmineのカスタマイズやPlug-in開発) Webアプリケーション (Javaスクラッチ開発) DICOM連携API RDBMS(PostgreSQL)RDBMS(PostgreSQL) ファイル保存ディレクトリ 用紙QC PET QC MRI QC 申請確認 資材受注登録 マスタ登録 文書登録用紙検査 結果情報 QC承認 QC承認 申請 情報 QC 承認 承認 用紙検査 情報 PET撮像 データ MRI撮像 データ 生化学検査 情報 申請情報 疑義事項 問合せ 参加します 用紙検査 結果情報 PET検査 結果情報 MRI検査 結果情報 生化学検査 結果情報 申請結果情報 用紙検査結果情報 PET検査結果情報 MRI検査結果情報 生化学検査 結果情報 申請結果情報 被験者情報 検査予実情報 資材受発注情報 被験者情報 検査実績情報 用紙検査結果データ PET・MRI撮像データ PET検査結果データ MRI検査結果データ 生化学検査結果データ 申請結果データ 各種 検査結果 データ 各種 検査結果 データ 研究進捗 データ 検査結果が 承認されると Excelのデータを パースして RDBMSに格納 撮像データは 被験者情報を 匿名化して DICOMサーバに 登録される 資材発注登録 資材発注 情報 PET画像 MRI画像 臨床検査 DNA情報 CRF 心理テスト 研究者品質管理者 Copyright © 2014 NS Solutions Corporation, All Rights Reserved. データ保管 管理システムデータ品質 管理システム データの共有により 臨床研究を促進
  11. 11. Data Science & Infrastructure Technologies, Systems R&D Center 役割2:超早期診断支援のための検証 AD超早期診断支援のコアとなる機械学習アルゴリズムを検証  大量データ・多変量データに対応できる手法を利用  複数モダリティのデータを合成して判別精度を向上できるか検証 11 医師 MRIデータ PETデータ 判別結果 統計情報 機械学習 AD超早期診断 の支援 モダリティ ⇒今回ご紹介します Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  12. 12. Data Science & Infrastructure Technologies, Systems R&D Center アルツハイマー病(AD: Alzheimer’s Disease)  症状  神経細胞が脱落し、脳が萎縮する。  記憶力の低下や人格の変化などを 引き起こす。  規模  日本の認知症患者は約300万人。  認知症患者の大半がADであると 言われている。  社会的費用は10兆円を超える。  特徴  進行により不可逆的に神経細胞が変性。 そのため、超早期診断が必要である。 12 引用)アルツハイマー病についての情報と リソース alz.org http://www.alz.org/asian/about/inside_ the_brain.asp?nL=JA&dL=JA Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  13. 13. Data Science & Infrastructure Technologies, Systems R&D Center 本研究のゴール 13 引用)超早期アルツハイマー病の指標 づくりを目指す臨床研究 J-ADNI2 http://www.j-adni2.org/guide.html 予防・治療しやすい 診断しやすい診断の 特徴 今回のターゲット将来的なターゲット Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  14. 14. アルツハイマー病診断支援へ向けて 医療画像データの解析手法
  15. 15. Data Science & Infrastructure Technologies, Systems R&D Center 本研究の概要 15 MRIデータとPETデータに対して、Mahoutを用いて 機械学習を行い、ADかどうかを判別する。 検証対象 MRIデータ 判別結果 健常 or AD 機械 学習 前処理 PETデータ 加工済 MRIデータ 加工済 PETデータ 環境:ローカル 分析ツール:Matlab 環境:Hadoop 分析ツール:Mahout Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  16. 16. Data Science & Infrastructure Technologies, Systems R&D Center Mahoutとは  機械学習のHadoopエコシステム  機械学習:人間が学習するような機構をコンピュータ上で実現させる技術  OSSでJavaライブラリのみを提供  スケーラブルなライブラリ  多くのアルゴリズムがHadoop上で動作するためスケーラブル  データサイズが巨大な場合や、独立な計算処理量が膨大な場合に有効 16 Hadoop Hive SQL的操作 Pig 手続き的操作 Impala 低レイテンシSQL HBase リアルタイムDB Hue 操作GUI Mahout 機械学習 Sqoop RDBとの連携 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  17. 17. Data Science & Infrastructure Technologies, Systems R&D Center 分類 実装アルゴリズム ※掲載アルゴリズムは一部 活用例 ※マーケティングの例 判別分析 Random Forest Naïve Bayes Logistic Regression * Hidden Markov Models * Multilayer Perceptron * 顧客の行動履歴を基に、退 会するか否かを予測し、施 策を打つ クラスタリング Canopy Clustering K-Means Spectral Clustering 顧客を予めグループ分類し、 施策対象を重要顧客に絞り 込む レコメンド User-Based Collaborative Filtering Item-Based Collaborative Filtering 別の顧客行動を基に、顧客 が興味を持ちやすい商品を 提示する その他 SVD Lanczos Algorithm LDA 顧客を特徴づける要因を集 約する、など Mahoutで実装されているアルゴリズム 17 * MapReduce非対応アルゴリズム Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  18. 18. Data Science & Infrastructure Technologies, Systems R&D Center データ種別  MRI  核磁気共鳴現象を利用した検査法。  脳の構造・形態を見ることができる。  PET  陽電子検出を利用した検査法。  脳の代謝量や血流量などの生体の機能を見ることができる。 18 本ページの画像は以下より引用) Chris Hinrichs et al., “Predictive Markers for AD in a Multi-Modality Framework: An Analysis of MCI Progression in the ADNI Population,” 2010. MRIとPETでは異なる 特性が検出できる Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  19. 19. Data Science & Infrastructure Technologies, Systems R&D Center データ対象者 健常者、AD患者それぞれ30人分のデータを利用 19 健常者MRI 健常者PET AD患者MRI AD患者PET 利用データ ×健常者30人 ×AD患者30人 本ページの画像は以下より引用) Chris Hinrichs et al., “Predictive Markers for AD in a Multi-Modality Framework: An Analysis of MCI Progression in the ADNI Population,” 2010. 利用データは近畿大学・石井一成教授より受領 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  20. 20. Data Science & Infrastructure Technologies, Systems R&D Center 前処理の流れ 20 Matlabで実行 正規化 標準脳にフィッティングさせ、 脳の個体差をなくす 平滑化 半値幅8mmのガウシアン フィルタでスムージング MRIデータ PETデータ 加工済 MRIデータ 加工済 PETデータ Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  21. 21. Data Science & Infrastructure Technologies, Systems R&D Center 機械学習の流れ 21 Mahout で実行 モデル化 評価 加工済 MRIデータ 加工済 PETデータ 判別結果 モデル 複数モダリティの機械学習 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  22. 22. Data Science & Infrastructure Technologies, Systems R&D Center 複数モダリティを用いたAD判別手法 22 複数モダリティを利用した様々なAD判別手法が提案され ている。 論文 モダリティ 手法 精度 Hinrichs et al., 2010 MRI, PET, CSF, APOE, cognitive scores Multi-Kernel SVM 92.4 Zhang et al., 2011 MRI, PET, CSF Multi-Kernel SVM 93.2 Gray et al., 2012 MRI, PET, CSF, APOE 次元縮約 + Random Forest 89.0 本研究ではRandom Forest(RF)を利用する。 次元縮約によって 情報量が落ちている Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  23. 23. Data Science & Infrastructure Technologies, Systems R&D Center なぜRandom Forestを使うか 23 理由1:一般に、RFは精度が高い。  横断的なアルゴリズムの性能比較により、平均的にRFが 最もよいことが分かっている。(Caruana et al., 2008) 理由2:RFは分散処理可能で、処理時間を短縮できる。  医療データは今後データ量が増大していくことが予想される。  MahoutにRFが実装されており、分散処理される。 比較アルゴリズム ANN, Logistic Regression, Naïve Bayes, KNN, SVM, Boosting, Random Forest, Bagged Decision Trees, Perceptron 使用データセット Sturn, Calam, Digits, Tis, Cryst, KDD98, R-S, Cite, Dse, Spam, Imdb 精度指標 精度, AUC, 二乗誤差 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  24. 24. Data Science & Infrastructure Technologies, Systems R&D Center  多数の決定木を構築する手法  個々の決定木にランダム性を組込み、高い汎化性能を実現 Random Forestとは 特徴量D>1 特徴量K>10 特徴量T<5 ○ × ○ × 決定木Random Forest ○:AD患者 ×:健常者 24 ノード Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  25. 25. Data Science & Infrastructure Technologies, Systems R&D Center MahoutのRandom Forest 25 Map … モ デ ル ( RandomForest ) … ト レ ー ニ ン グ デ ー タ データを 分割配布 Map 復元抽出 決定木作成 パラメータ1 データ分割数 パラメータ2 決定木の本数 ※Partialモードでの動作 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  26. 26. Data Science & Infrastructure Technologies, Systems R&D Center 複数モダリティのRF(Grayらの手法) MRI subject1 subject2 … feature1 feature2 PETMRI+PET +結合 Reduced MRI Reduced PET + Reduced MRI+PET 精度=86.2 結合 精度=89.0 次元縮約 [Gray et al., 2012] [Gray et al., 2012] RF RF 26 ※ここで精度はAccuracyを指す。 データ結合 モデル 縮約データ 結合モデル 精度=81.6 精度=86.0 [Gray et al., 2012] [Gray et al., 2012] RF RF MRIモデル PETモデル Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  27. 27. Data Science & Infrastructure Technologies, Systems R&D Center 複数モダリティのRF(今回検証する手法) MRI subject1 subject2 … feature1 feature2 PETMRI+PET +結合 RF RF RF 27 MRIモデル PETモデル データ結合 モデル + 合成 モデル合成 Copyright © 2014 NS Solutions Corporation, All Rights Reserved. 検証① 検証② 検証③ 検証④
  28. 28. アルツハイマー病診断支援へ向けて 解析結果
  29. 29. Data Science & Infrastructure Technologies, Systems R&D Center  当社の検証環境(NSCCC)を利用。  Hadoop上でMahoutを利用。 環境 Hardware 構成 Server IBM BladeCenter HS21 Slave 13nodes OS RHEL 6.5 (64bit) CPU Intel Xeon CPU 5130 2.0GHz x4cores x2 Mem 8GB HDD 36GB x13 Master Slave Sofware バージョン Hadoop cdh-4.5.0 Mahout mahout-0.7 R R-3.0.2 29 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  30. 30. Data Science & Infrastructure Technologies, Systems R&D Center 本研究では、(AD患者,健常者)×(陽性,陰性)の人数をa,b,c,dとして、 以下のような既存研究同様の精度指標を用いる。 精度指標 30 陽性 陰性 AD患者 a b 健常者 c d 指標 定義 意味 Accuracy 正確度 Acc = (a+d)/(a+b+c+d) 正解率 Basic Accuracy 基本正確度 Bacc = (Sens+Spec)/2 感度と特異度の平均 Sensitivity 感度 Sens = a/(a+b) 実際の患者のうち、どの 程度陽性と判定できたか Specificity 特異度 Spec = d/(c+d) 健常者のうち、どの程度 陰性と判定できたか ※指標はCross Validationで計算する。 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  31. 31. Data Science & Infrastructure Technologies, Systems R&D Center 再掲:検証の全体像 31 MRI subject1 subject2 … feature1 feature2 PET 検証① 検証② MRI+PET +結合 検証③ RF RF RF MRIモデル PETモデル データ結合 モデル + 合成 検証④ モデル合成 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  32. 32. Data Science & Infrastructure Technologies, Systems R&D Center 検証①:MRIモデルのAD判別 70.0 75.0 80.0 85.0 90.0 95.0 100.0 10 20 50 100 200 500 1000 2000 5000 10000 精度(%) 決定木の本数 Acc Bacc Sens Spec 70.0 75.0 80.0 85.0 90.0 95.0 100.0 1 2 3 4 5 精度(%) データ分割数 Acc Bacc Sens Spec ※データ分割数は3で固定 ※決定木の本数は2000で固定 32 Acc=80.8% データ分割数 はあまり影響 しない 決定木200本以 上で精度が安定 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  33. 33. Data Science & Infrastructure Technologies, Systems R&D Center 検証②:PETモデルのAD判別 70.0 75.0 80.0 85.0 90.0 95.0 100.0 10 20 50 100 200 500 1000 2000 5000 10000 精度(%) 決定木の本数 Acc Bacc Sens Spec 70.0 75.0 80.0 85.0 90.0 95.0 100.0 1 2 3 4 5 精度(%) データ分割数 Acc Bacc Sens Spec 33 ※データ分割数は3で固定 ※決定木の本数は2000で固定 Acc=86.7% 決定木200本以 上で精度が安定 データ分割数 は少ないほう が若干よい MRIよりも精度が高い Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  34. 34. Data Science & Infrastructure Technologies, Systems R&D Center 検証③:MRI,PETデータ結合モデルのAD判別 34 70.0 75.0 80.0 85.0 90.0 95.0 100.0 10 20 50 100 200 500 1000 2000 5000 10000 精度(%) 決定木の本数 Acc Bacc Sens Spec 70.0 75.0 80.0 85.0 90.0 95.0 100.0 1 2 3 4 5 精度(%) データ分割数 Acc Bacc Sens Spec 決定木200本以 上で精度が安定 Acc=90.8% ※データ分割数は3で固定 ※決定木の本数は2000で固定 データ分割数 はあまり影響 しない MRI,PET単体よりも精度が高い Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  35. 35. Data Science & Infrastructure Technologies, Systems R&D Center 検証④:MRI,PETモデル合成のAD判別 70.0 75.0 80.0 85.0 90.0 95.0 100.0 0.0:1.0 0.1:0.9 0.2:0.8 0.3:0.7 0.4:0.6 0.5:0.5 0.6:0.4 0.7:0.3 0.8:0.2 0.9:0.1 1.0:0.0 精度(%) 決定木の本数のPET:MRI比率 Acc Bacc Sens Spec ※MRI, PETともに以下の パラメータでモデル化 ・決定木の本数:2000 ・データ分割数:1 35 Acc=91.7% MRIとPETのモデル合成により 精度が向上する MRI PET Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  36. 36. Data Science & Infrastructure Technologies, Systems R&D Center 81.6 86 86.2 89 81.8 86 87.1 89 79.8 86.8 85.1 87.9 83.8 85.1 86.1 90 75 80 85 90 95 100 Acc Bacc Sens Spec  複数のモダリティを利用することで精度が向上した。  モデル合成は複数モダリティの機械学習に有効である。 検証結果 [参考]Gray et al., 2012の結果 本検証 36 80.8 86.7 90.8 91.7 82.1 87.5 91.5 92.2 85 90 93.3 95 79.2 85.1 89.7 89.3 75 80 85 90 95 100 Acc Bacc Sens Spec ①MRI ②PET ③MRI+PET (データ結合) ④MRI+PET (モデル合成) MRI PET MRI+PET (データ結合) MRI+PET (縮約+データ結合) 精度精度 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  37. 37. Data Science & Infrastructure Technologies, Systems R&D Center 分析ツールとしてのMahoutの可能性 37 • 大量データ・多変量データのモデリングができる • モデルを組み合わせることで高精度化を実現できる メリット • JavaやHadoopの知識が必要 • アドホックな分析は不得意 デメリット Copyright © 2014 NS Solutions Corporation, All Rights Reserved. • 現時点ではRやRDBを併用することでカバー • 今後のSpark Bindingに期待
  38. 38. Data Science & Infrastructure Technologies, Systems R&D Center RFによる特徴部位の抽出 RFモデルにおいて、上位ノードに頻出する特徴量は、 判別におけるAD特徴部位と解釈できる。 38 → が重要な特徴量であると解釈できる。 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  39. 39. Data Science & Infrastructure Technologies, Systems R&D Center MRIデータにおけるAD特徴部位 上から見た図 海馬 39 左から見た図 ADによる構造的変化が海馬周辺に現れている。 決定木に多く 現れる部位 決定木にほとんど 現れない部位 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  40. 40. Data Science & Infrastructure Technologies, Systems R&D Center PETデータにおけるAD特徴部位 内包 後部帯状回 40 ADによる代謝量変化が後部帯状回に現れている。 上から見た図左から見た図 決定木に多く 現れる部位 決定木にほとんど 現れない部位 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  41. 41. Data Science & Infrastructure Technologies, Systems R&D Center  まとめ  Mahoutを用いてAD判別を実施した。  複数のモダリティを合成することで精度が向上した。  モデルから得られた特徴部位は医学的知見と合致した。  今後の展望  軽度認知障害、プレクリニカルAD の判別に本手法を適用する。  他のモダリティを追加し、 精度向上を図る。  脳脊髄液(CSF)成分の追加  遺伝子情報の追加  超早期診断支援のシステム化 まとめと今後の展望 41 引用)超早期アルツハイマー病の指標 づくりを目指す臨床研究 J-ADNI2 http://www.j-adni2.org/guide.html 今後のターゲット Copyright © 2014 NS Solutions Corporation, All Rights Reserved.
  42. 42. Data Science & Infrastructure Technologies, Systems R&D Center 42  NS(ロゴ), NSSOL, NS Solutions, その他弊社サービスは、 新日鉄住金ソリューションズ株式会社の登録商標です。  その他本文記載の会社名及び製品名は、 それぞれ各社の商標または登録商標です。 ご清聴、ありがとうございました。 Copyright © 2014 NS Solutions Corporation, All Rights Reserved.

×