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.
全脳アーキテクチャ若手の会 カジュアルトーク (2017.4.28)
深層学習と自動医療診断を考える
全脳アーキテクチャ若手の会
@sheema_sheema
自己紹介
@sheema_sheema (Twitter)
• 学生時代
• Convolutional Neural Netヲタク
• 画像認識と自然言語処理
• 現在
• 某メーカ系企業でR&D
• 全脳アーキテクチャ若手の会 副代表
• ...
前回までのあらすじ
 カジュアルにCNN系画像認識文献64本ノック!
http://www.slideshare.net/sheemap/convolutional-neural-networks-wbafl2
2016/02: Convol...
今日のおはなし
 人間は疲れる・寝る・教育に時間がかかる
 コンピュータなら格段に安定・効率化
 がん自動診断 x 画像認識の今と課題
 皮膚の悪性黒色腫を中心に
 課題を克服するためのアプローチ
2017/04: 機械学習は人の命を...
Caution!
発表内容は私個人の見解であり,
所属組織の見解を代表するものではありません!
4
目次
全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28)
深層学習と自動医療診断を考える
1. 線虫,ハト,Deep Learning
2. 画像認識 x 自動診断の現在
3. Deep Learning は医者の夢をみるか?
4...
線虫、ハト、Deep Learning
 線虫*
 ハト**
 Deep Learning
あなたはどの診断結果なら信じますか?
6
**ハトが画像で乳がん発見=米研究チーム – WSJ
(http://jp.wsj.com/articl...
線虫、ハト、Deep Learning
 どれが悪性黒色腫(メラノーマ)?
れっつ診断!
7
線虫、ハト、Deep Learning
 どれが悪性黒色腫(メラノーマ)?
答え合わせ
8
目次
全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28)
深層学習と自動医療診断を考える
1. 線虫,ハト,Deep Learning
2. 画像認識 x 自動診断の現在
3. Deep Learning は医者の夢をみるか?
4...
画像認識 x 自動診断の現在
 2016年よりスタート
 領域分割、病変パターン抽出、診断の3タスク
悪性黒色腫(メラノーマ)自動診断コンペティション*
10
* D.Gutman et al.: Skin Lesion Analysis ...
画像認識 x 自動診断の現在
 2016年よりスタート
 領域分割、病変パターン抽出、診断の3タスク
 学習データ構成(2017 ver.):
 374 melanoma
 254 seborrheic keratosis & 137...
画像認識 x 自動診断の現在
性能は皮膚科医に匹敵するレベル
12
A. Esteva, et al.: Dermatologist-level classification of skin cancer with deep neural ne...
目次
全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28)
深層学習と自動医療診断を考える
1. 線虫,ハト,Deep Learning
2. 画像認識 x 自動診断の現在
3. Deep Learning は医者の夢をみるか?
4...
Deep Learning は医者の夢を見るか?
 データ数が少ない症例への適用は困難
 解釈可能な診断根拠を提示するシステムも知られていない
 これまでの医学的知見は活かされない?
 Adversarial Example* (誤認識...
Deep Learning は医者の夢を見るか?
 Data Augmentation
 (従来) 回転させたり、色をいじったり
 医学的知見をData Augmentationに適用
 母斑の長軸を長く/短くするように変形データを生成...
Deep Learning は医者の夢を見るか?
 Transfer Learning; 転移学習
 あらかじめ全然違うデータで学習させてしまう!
 古典的な特徴量と組み合わせる!
データがないなら連れてくればいいじゃない
16
H. R...
Deep Learning は自動医療診断の夢を見るか?
 そういえば…
医学的知見との対応
17
コンペに医学知見対応タスクが!
Deep Learning は自動医療診断の夢を見るか?
 そういえば…
医学的知見との対応
18
3エントリー!
みんな,病変パターン抽出タスクやろう!
Deep Learning は自動医療診断の夢を見るか?
 一般物体認識レベルではすでに取り組みが始まってる!
Deep Learning の見える化 - 画像の言語化
19
Deep Learning は自動医療診断の夢を見るか?
 一般物体認識レベルではすでに取り組みが始まってる!
Deep Learning の見える化 - 識別に寄与したピクセル可視化
20
ネコ
イヌ
8の中で3っぽいところは?
DeepL...
目次
全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28)
深層学習と自動医療診断を考える
1. 線虫,ハト,Deep Learning
2. 画像認識 x 自動診断の現在
3. Deep Learning は医者の夢をみるか?
4...
まとめ
 線虫,ハト,Deep Learning
 あなたは,医者以外の診断をどこまで受け入れる?
 画像認識 x 自動診断の今
 コンペティションによる取り組み
 皮膚科医レベルの技術の出現
 Deep Learningは医者の夢...
Fin.
23
Upcoming SlideShare
Loading in …5
×

深層学習と自動診断

8,884 views

Published on

全脳アーキテクチャ若手の会カジュアルトーク

Published in: Technology
  • Sex in your area is here: ❤❤❤ http://bit.ly/36cXjBY ❤❤❤
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

深層学習と自動診断

  1. 1. 全脳アーキテクチャ若手の会 カジュアルトーク (2017.4.28) 深層学習と自動医療診断を考える 全脳アーキテクチャ若手の会 @sheema_sheema
  2. 2. 自己紹介 @sheema_sheema (Twitter) • 学生時代 • Convolutional Neural Netヲタク • 画像認識と自然言語処理 • 現在 • 某メーカ系企業でR&D • 全脳アーキテクチャ若手の会 副代表 • 会全体の運営 (運営メンバー大募集中!!) 1
  3. 3. 前回までのあらすじ  カジュアルにCNN系画像認識文献64本ノック! http://www.slideshare.net/sheemap/convolutional-neural-networks-wbafl2 2016/02: Convolutional Neural Networks (CNN) の動向 2  2016年前半までのGANによる画像生成事例を紹介 http://www.slideshare.net/sheemap/adversarial-networks-wbafl3 2016/06: Generative Adversarial Nets (GAN) の画像生成  2016年後半以降のCNNによる自然言語処理研究紹介 https://www.slideshare.net/sheemap/convolutional-neural-netwoks 2017/01: CNNで自然言語処理
  4. 4. 今日のおはなし  人間は疲れる・寝る・教育に時間がかかる  コンピュータなら格段に安定・効率化  がん自動診断 x 画像認識の今と課題  皮膚の悪性黒色腫を中心に  課題を克服するためのアプローチ 2017/04: 機械学習は人の命を救えるか!? 3
  5. 5. Caution! 発表内容は私個人の見解であり, 所属組織の見解を代表するものではありません! 4
  6. 6. 目次 全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28) 深層学習と自動医療診断を考える 1. 線虫,ハト,Deep Learning 2. 画像認識 x 自動診断の現在 3. Deep Learning は医者の夢をみるか? 4. まとめ 5
  7. 7. 線虫、ハト、Deep Learning  線虫*  ハト**  Deep Learning あなたはどの診断結果なら信じますか? 6 **ハトが画像で乳がん発見=米研究チーム – WSJ (http://jp.wsj.com/articles/SB12270577396625053624104581411204271509780), 2017年4月28日閲覧. *線虫でがん検査 日立など、19年末の実用化めざす:日本経済新聞 (http://www.nikkei.com/article/DGXLASGG18H1O_Y7A410C1000000/), 2017年4月28日閲覧.
  8. 8. 線虫、ハト、Deep Learning  どれが悪性黒色腫(メラノーマ)? れっつ診断! 7
  9. 9. 線虫、ハト、Deep Learning  どれが悪性黒色腫(メラノーマ)? 答え合わせ 8
  10. 10. 目次 全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28) 深層学習と自動医療診断を考える 1. 線虫,ハト,Deep Learning 2. 画像認識 x 自動診断の現在 3. Deep Learning は医者の夢をみるか? 4. まとめ 9
  11. 11. 画像認識 x 自動診断の現在  2016年よりスタート  領域分割、病変パターン抽出、診断の3タスク 悪性黒色腫(メラノーマ)自動診断コンペティション* 10 * D.Gutman et al.: Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC), arXiv:1605.0139, 2016.
  12. 12. 画像認識 x 自動診断の現在  2016年よりスタート  領域分割、病変パターン抽出、診断の3タスク  学習データ構成(2017 ver.):  374 melanoma  254 seborrheic keratosis & 1372 benign nevi  2017年は、診断でカシオx信州大チームが優勝 悪性黒色腫(メラノーマ)自動診断コンペティション* 11 * D.Gutman et al.: Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC), arXiv:1605.0139, 2016. - 一般物体認識 (Visual Genome): 108,249枚 - 手書き数字 (MNIST): 50,000枚
  13. 13. 画像認識 x 自動診断の現在 性能は皮膚科医に匹敵するレベル 12 A. Esteva, et al.: Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, pp.115-118, 2017. Artificial intelligence used to identify skin cancer | Stanford News (http://news.stanford.edu/2017/01/25/artificial- intelligence-used-identify-skin-cancer/), 2017年4月28日閲覧.
  14. 14. 目次 全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28) 深層学習と自動医療診断を考える 1. 線虫,ハト,Deep Learning 2. 画像認識 x 自動診断の現在 3. Deep Learning は医者の夢をみるか? 4. まとめ 13
  15. 15. Deep Learning は医者の夢を見るか?  データ数が少ない症例への適用は困難  解釈可能な診断根拠を提示するシステムも知られていない  これまでの医学的知見は活かされない?  Adversarial Example* (誤認識を起こす微細なノイズ)の存在 データもねえ、根拠もねえ、医学の知見との対応もねえ 14 * I. Goodfellow: Explaining and Harnessing Adversarial Examples. arXiv:1412.6572, 2014.
  16. 16. Deep Learning は医者の夢を見るか?  Data Augmentation  (従来) 回転させたり、色をいじったり  医学的知見をData Augmentationに適用  母斑の長軸を長く/短くするように変形データを生成 データがないなら増やせばいいじゃない 15 C. Vasconcelos,: Convolutional Neural Network Committees for Melanoma Classification with Classical And Expert Knowledge Based Image Transforms Data Augmentation. arXiv:1702.07025, 2017.
  17. 17. Deep Learning は医者の夢を見るか?  Transfer Learning; 転移学習  あらかじめ全然違うデータで学習させてしまう!  古典的な特徴量と組み合わせる! データがないなら連れてくればいいじゃない 16 H. Ravishankar: Understanding the Mechanisms of Deep Transfer Learning for Medical Images. arXiv:1704.06040, 2017.  GAN(画像生成法)でガン画像を生成できないか? M. Fornaciali: Towards Automated Melanoma Screening: Proper Computer Vision & Reliable Results. arXiv:1604.04024, 2016.
  18. 18. Deep Learning は自動医療診断の夢を見るか?  そういえば… 医学的知見との対応 17 コンペに医学知見対応タスクが!
  19. 19. Deep Learning は自動医療診断の夢を見るか?  そういえば… 医学的知見との対応 18 3エントリー! みんな,病変パターン抽出タスクやろう!
  20. 20. Deep Learning は自動医療診断の夢を見るか?  一般物体認識レベルではすでに取り組みが始まってる! Deep Learning の見える化 - 画像の言語化 19
  21. 21. Deep Learning は自動医療診断の夢を見るか?  一般物体認識レベルではすでに取り組みが始まってる! Deep Learning の見える化 - 識別に寄与したピクセル可視化 20 ネコ イヌ 8の中で3っぽいところは? DeepLIFT Grad-CAM
  22. 22. 目次 全脳アーキテクチャ若手の会 カジュアルトーク (17.4.28) 深層学習と自動医療診断を考える 1. 線虫,ハト,Deep Learning 2. 画像認識 x 自動診断の現在 3. Deep Learning は医者の夢をみるか? 4. まとめ 21
  23. 23. まとめ  線虫,ハト,Deep Learning  あなたは,医者以外の診断をどこまで受け入れる?  画像認識 x 自動診断の今  コンペティションによる取り組み  皮膚科医レベルの技術の出現  Deep Learningは医者の夢を見るか?  データ量という問題  診断根拠の提示,医学的知見とのマッチング 22
  24. 24. Fin. 23

×