Submit Search
Upload
Clinical trial of ai equipped medical image diagnosis support system part1
•
0 likes
•
129 views
K
KanakoIshiguro
Follow
AI搭載医用画像診断支援システムの臨床試験について、AI・医用画像診断支援システムの概論について紹介しています。
Read less
Read more
Health & Medicine
Report
Share
Report
Share
1 of 16
Download now
Download to read offline
Recommended
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Hirokatsu Kataoka
2017年1月21日開催の第8回ステアラボ人工知能セミナーにて講演する内容です。 https://stair.connpass.com/event/47714/ 【概要】スマートフォン/ウェブカメラの普及や動画共有サイトの登場により動画像を利用する機会は増加しているが、コンピュータビジョン分野において動画認識が活発に議論されるようになったのは2000年代になってからである。本講演では動画認識の現在に至るまでの一連の流れを紹介するとともに、将来展望においても議論する。 【キーワード】コンピュータビジョン、動画認識、行動認識、モーション表現、時系列モデル、STIP、DT/IDT、Two-Stream CNN、TDD、TSN、ST-ResNet、行動予測、行動検出
【CVPR 2020 メタサーベイ】Medical, Biological and Cell Microscopy
【CVPR 2020 メタサーベイ】Medical, Biological and Cell Microscopy
cvpaper. challenge
「CVPR 2020 網羅的サーベイ」により作成された Medical, Biological and Cell Microscopy エリアのメタサーベイ資料です。 CVPR 2020 網羅的サーベイ: http://xpaperchallenge.org/cv/survey/cvpr2020_summaries/listall/ cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議に30+本投稿」することです。 http://xpaperchallenge.org/cv/
ディープラーニングでおそ松さんの6つ子は見分けられるのか? FIT2016
ディープラーニングでおそ松さんの6つ子は見分けられるのか? FIT2016
Yota Ishida
ディープラーニングを用いた画像認識の動向と、オープンソースを用いたデータセット作成について、おそ松さんを題材として
ビジュアルプログラミングで機械学習にチャレンジ
ビジュアルプログラミングで機械学習にチャレンジ
Satoshi Fujimoto
ブロックを繋げるだけで、機械学習のプログラミングができるAzure Machine Learningの紹介
ディープラーニングによるラーメン二郎全店舗識別と生成
ディープラーニングによるラーメン二郎全店舗識別と生成
knjcode
角川アスキー総合研究所主催のイベント「創作とディープラーニングの出会い」 (http://lab-kadokawa30.peatix.com/) での発表資料です
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
Keisuke Tameyasu
ITシステムの開発を主にやっています。為安圭介です。 数年間、リーダという役割をいただいて、数十名のチーム運営を経験してきました。 今回は、自分でも未だにちゃんと理解していないような気がするAIの基礎について、あらためてまとめてみました。 このスライドをまとめる間に、令和1年が令和2年になってしまいました。
東北大学AIE - 機械学習入門編
東北大学AIE - 機械学習入門編
Daiyu Hatakeyama
機械学習が再度注目を集めている中、皆さんの生活や社会の中で活用され始めています。ところが「AI」という言葉が 先行している事もあり、機械学習の実体の理解が浅いがために、誤解をした使い方なども見受けられています。 ここでは、機械学習に興味のある方や、機械学習のモデルの作成はした事があるものの、実業務や社会などに展開し た事の無い方向けに、機械学習とは何か?プログラミングと何が違うのか?そのモデル作成の手順などをご紹介しま す。
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
Yusuke Uchida
画像センシングシンポジウム(SSII'18)のオーガナイズドセッション「コンピュータビジョン技術の実応用とビジネス」におけるイントロ資料です
Recommended
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Hirokatsu Kataoka
2017年1月21日開催の第8回ステアラボ人工知能セミナーにて講演する内容です。 https://stair.connpass.com/event/47714/ 【概要】スマートフォン/ウェブカメラの普及や動画共有サイトの登場により動画像を利用する機会は増加しているが、コンピュータビジョン分野において動画認識が活発に議論されるようになったのは2000年代になってからである。本講演では動画認識の現在に至るまでの一連の流れを紹介するとともに、将来展望においても議論する。 【キーワード】コンピュータビジョン、動画認識、行動認識、モーション表現、時系列モデル、STIP、DT/IDT、Two-Stream CNN、TDD、TSN、ST-ResNet、行動予測、行動検出
【CVPR 2020 メタサーベイ】Medical, Biological and Cell Microscopy
【CVPR 2020 メタサーベイ】Medical, Biological and Cell Microscopy
cvpaper. challenge
「CVPR 2020 網羅的サーベイ」により作成された Medical, Biological and Cell Microscopy エリアのメタサーベイ資料です。 CVPR 2020 網羅的サーベイ: http://xpaperchallenge.org/cv/survey/cvpr2020_summaries/listall/ cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議に30+本投稿」することです。 http://xpaperchallenge.org/cv/
ディープラーニングでおそ松さんの6つ子は見分けられるのか? FIT2016
ディープラーニングでおそ松さんの6つ子は見分けられるのか? FIT2016
Yota Ishida
ディープラーニングを用いた画像認識の動向と、オープンソースを用いたデータセット作成について、おそ松さんを題材として
ビジュアルプログラミングで機械学習にチャレンジ
ビジュアルプログラミングで機械学習にチャレンジ
Satoshi Fujimoto
ブロックを繋げるだけで、機械学習のプログラミングができるAzure Machine Learningの紹介
ディープラーニングによるラーメン二郎全店舗識別と生成
ディープラーニングによるラーメン二郎全店舗識別と生成
knjcode
角川アスキー総合研究所主催のイベント「創作とディープラーニングの出会い」 (http://lab-kadokawa30.peatix.com/) での発表資料です
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
Keisuke Tameyasu
ITシステムの開発を主にやっています。為安圭介です。 数年間、リーダという役割をいただいて、数十名のチーム運営を経験してきました。 今回は、自分でも未だにちゃんと理解していないような気がするAIの基礎について、あらためてまとめてみました。 このスライドをまとめる間に、令和1年が令和2年になってしまいました。
東北大学AIE - 機械学習入門編
東北大学AIE - 機械学習入門編
Daiyu Hatakeyama
機械学習が再度注目を集めている中、皆さんの生活や社会の中で活用され始めています。ところが「AI」という言葉が 先行している事もあり、機械学習の実体の理解が浅いがために、誤解をした使い方なども見受けられています。 ここでは、機械学習に興味のある方や、機械学習のモデルの作成はした事があるものの、実業務や社会などに展開し た事の無い方向けに、機械学習とは何か?プログラミングと何が違うのか?そのモデル作成の手順などをご紹介しま す。
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
Yusuke Uchida
画像センシングシンポジウム(SSII'18)のオーガナイズドセッション「コンピュータビジョン技術の実応用とビジネス」におけるイントロ資料です
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
NVIDIA Japan
このスライドは、2018 年 4 月 24 日 (火) にベルサール高田馬場にて開催の NVIDIA Deep Learning Seminar 2018における最初のセッション、ディープラーニング ソリューションアーキテクト 山崎和博による「これから始める人のためのディープラーニング基礎講座」の資料です。
Road damge ai
Road damge ai
Natsutani Minoru
AIを用いた道路の故障検出
画像認識とIoT
画像認識とIoT
Hiroyuki Miyamoto
画像認識とIoT
画像認識と深層学習
画像認識と深層学習
Yusuke Uchida
日本ロボット学会 ロボット工学セミナー 第126回 ロボットのための画像処理技術 講演資料 https://www.rsj.or.jp/event/seminar/news/2020/s126.html 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては深層学習,その中でも特に畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNはクラス分類をはじめとして,物体検出やセグメンテーションなど様々なタスクを解くためのベースネットワークとして広く利用されてきている.本講演では,CNNの発展を振り返るとともに,エッジデバイスで動作させる際に重要となる高速化等,関連する深層学習技術の解説を行う. 1. クラス分類向けモデルについて 1.1. ILSVRCで振り返る進化の歴史 1.2. その他重要なモデル 1.3. モデルの自動設計 (Neural Architecture Search) 2. モデルの高速化について 2.1. 軽量モデル 2.2. その他モデルの高速化手法 3. クラス分類以外のタスクにおけるモデル 4. おまけ
第1回医用画像データマネージメント研究会 20170118 slideshare
第1回医用画像データマネージメント研究会 20170118 slideshare
Tatsuaki Kobayashi
研究会で発表させていただいた内容
CNTK deep dive
CNTK deep dive
Kyoichi Iwasaki
#Decode2018 での資料です。#ai07
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance App...
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance App...
Keita Onabuta
製造業における品質管理・設備保全での機械学習の適用方法についてのスライドです。
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
Yusuke Uchida
第三回 全日本コンピュータビジョン勉強会(前編) CVPR'20読み会の資料です https://kantocv.connpass.com/event/178126/ SuperGlue;Learning Feature Matching with Graph Neural Networks の解説
品質管理 Low code ハンズオン
品質管理 Low code ハンズオン
Daiyu Hatakeyama
工場の生産過程で取得したセンサーデータを例にして。 Low-Code でのハンズオンを行うための概要理解のための資料です。 ハンズオンテキスト: https://github.com/dahatake/Azure-Workshops/tree/master/LowCode_DataAnalytics_Factory
A12 坂井研究室 澤田純礼
A12 坂井研究室 澤田純礼
aomorisix
画像認識技術×地域活性化案として、この画像認識サービスを考案しました。難しいとされているりんごの品種分けをAIはどれほど認識できるのか、また、身近にあるりんごが何の品種であるか手軽に特定できるツールがあれば面白いと思いこの研究テーマに取り組みました。この画像認識モデルは、ふじりんごかそれ以外かの二値分類のみ識別となっており少ないですが、デバイスに依存しないWebアプリサービスとして制作出来ました。
医用画像情報イントロダクション Ver.1 0_20160726
医用画像情報イントロダクション Ver.1 0_20160726
Tatsuaki Kobayashi
ビジョナリーイメージングサービスの研究領域をご紹介する資料です。将来的には、治験に携わる医用画像解析技術者向けの研修資料にしたいと考えています。ご興味のある方、セミナーなどお問い合わせお待ちしています。
CVPR2015 reading "Understainding image virality" (in Japanese)
CVPR2015 reading "Understainding image virality" (in Japanese)
Akisato Kimura
RTミドルウエア説明資料(10ページ版)
RTミドルウエア説明資料(10ページ版)
Noriaki Ando
RTミドルウエア説明資料(10ページ版)
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ
YangnuoLiu
IDC Japanの調査により2016年以降、日本においてAI分野の市場支出額の成長が年平均73.6%で成長し、2021年の市場規模は2,501億円になると見込んでいます。 日本のみならず、アメリカ、中国、EUなどの国、地域もAIに関する政策を立ち上げました。この中で中国のAI関連スタートアップ投資は2015年-2016年の間で1千500億円となります。 今回は中国AI関連産業状況のリサーチを共有致します。
Azure On-site Seminar: AI 最新技術と Microsoft AI Platform
Azure On-site Seminar: AI 最新技術と Microsoft AI Platform
Ayako Omori
2018/2/26 開催 Azure オンサイトセミナー 資料 音声・画像認識技術でマーケティング・売り上げを伸ばすAI活用最前線 ~最新のAI活用事例から学ぶ、おもてなしサービス・業務効率化Botサービスとその開発高速化手法~ https://www.microsoftevents.com/profile/form/index.cfm?PKformID=0x3257703abcd
AIを使いこなせ! ~AI最新技術とMicrosft AI Platform~
AIを使いこなせ! ~AI最新技術とMicrosft AI Platform~
Microsoft Azure Japan
2018年2月26日に実施した「音声・画像認識技術でマーケティング・売り上げを伸ばすAI活用最前線 ~最新のAI活用事例から学ぶ、おもてなしサービス・業務効率化Botサービスとその開発高速化手法~ 」の資料です。 https://www.microsoftevents.com/profile/form/index.cfm?PKformID=0x3257703abcd
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
Kensho Hara
動画中の人物行動認識における3D CNNを用いた手法の動向を紹介します.
なぜ自社で脆弱性診断を行うべきなのか
なぜ自社で脆弱性診断を行うべきなのか
Sen Ueno
なぜ自社でWebアプリケーション脆弱性診断を行うべきなのか。自動と手動の脆弱性診断のやり方、自社でやる意義、予算のかけ方などを紹介しています。 参考文献はこちら:Webセキュリティ担当者のための脆弱性診断スタートガイド 上野宣が教える情報漏えいを防ぐ技術 http://www.shoeisha.co.jp/book/detail/9784798145624 2017年2月6日
2016/4/16 名古屋CVPRML 発表資料
2016/4/16 名古屋CVPRML 発表資料
Hiroshi Fukui
2016/4/16に名古屋CVPRMLで発表するスライドです.(内容は修論と同様)
DeepLearningDay2016Spring
DeepLearningDay2016Spring
Takayoshi Yamashita
Heterogeneous Learning for Convolutional Neural Network
More Related Content
Similar to Clinical trial of ai equipped medical image diagnosis support system part1
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
NVIDIA Japan
このスライドは、2018 年 4 月 24 日 (火) にベルサール高田馬場にて開催の NVIDIA Deep Learning Seminar 2018における最初のセッション、ディープラーニング ソリューションアーキテクト 山崎和博による「これから始める人のためのディープラーニング基礎講座」の資料です。
Road damge ai
Road damge ai
Natsutani Minoru
AIを用いた道路の故障検出
画像認識とIoT
画像認識とIoT
Hiroyuki Miyamoto
画像認識とIoT
画像認識と深層学習
画像認識と深層学習
Yusuke Uchida
日本ロボット学会 ロボット工学セミナー 第126回 ロボットのための画像処理技術 講演資料 https://www.rsj.or.jp/event/seminar/news/2020/s126.html 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては深層学習,その中でも特に畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNはクラス分類をはじめとして,物体検出やセグメンテーションなど様々なタスクを解くためのベースネットワークとして広く利用されてきている.本講演では,CNNの発展を振り返るとともに,エッジデバイスで動作させる際に重要となる高速化等,関連する深層学習技術の解説を行う. 1. クラス分類向けモデルについて 1.1. ILSVRCで振り返る進化の歴史 1.2. その他重要なモデル 1.3. モデルの自動設計 (Neural Architecture Search) 2. モデルの高速化について 2.1. 軽量モデル 2.2. その他モデルの高速化手法 3. クラス分類以外のタスクにおけるモデル 4. おまけ
第1回医用画像データマネージメント研究会 20170118 slideshare
第1回医用画像データマネージメント研究会 20170118 slideshare
Tatsuaki Kobayashi
研究会で発表させていただいた内容
CNTK deep dive
CNTK deep dive
Kyoichi Iwasaki
#Decode2018 での資料です。#ai07
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance App...
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance App...
Keita Onabuta
製造業における品質管理・設備保全での機械学習の適用方法についてのスライドです。
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
Yusuke Uchida
第三回 全日本コンピュータビジョン勉強会(前編) CVPR'20読み会の資料です https://kantocv.connpass.com/event/178126/ SuperGlue;Learning Feature Matching with Graph Neural Networks の解説
品質管理 Low code ハンズオン
品質管理 Low code ハンズオン
Daiyu Hatakeyama
工場の生産過程で取得したセンサーデータを例にして。 Low-Code でのハンズオンを行うための概要理解のための資料です。 ハンズオンテキスト: https://github.com/dahatake/Azure-Workshops/tree/master/LowCode_DataAnalytics_Factory
A12 坂井研究室 澤田純礼
A12 坂井研究室 澤田純礼
aomorisix
画像認識技術×地域活性化案として、この画像認識サービスを考案しました。難しいとされているりんごの品種分けをAIはどれほど認識できるのか、また、身近にあるりんごが何の品種であるか手軽に特定できるツールがあれば面白いと思いこの研究テーマに取り組みました。この画像認識モデルは、ふじりんごかそれ以外かの二値分類のみ識別となっており少ないですが、デバイスに依存しないWebアプリサービスとして制作出来ました。
医用画像情報イントロダクション Ver.1 0_20160726
医用画像情報イントロダクション Ver.1 0_20160726
Tatsuaki Kobayashi
ビジョナリーイメージングサービスの研究領域をご紹介する資料です。将来的には、治験に携わる医用画像解析技術者向けの研修資料にしたいと考えています。ご興味のある方、セミナーなどお問い合わせお待ちしています。
CVPR2015 reading "Understainding image virality" (in Japanese)
CVPR2015 reading "Understainding image virality" (in Japanese)
Akisato Kimura
RTミドルウエア説明資料(10ページ版)
RTミドルウエア説明資料(10ページ版)
Noriaki Ando
RTミドルウエア説明資料(10ページ版)
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ
YangnuoLiu
IDC Japanの調査により2016年以降、日本においてAI分野の市場支出額の成長が年平均73.6%で成長し、2021年の市場規模は2,501億円になると見込んでいます。 日本のみならず、アメリカ、中国、EUなどの国、地域もAIに関する政策を立ち上げました。この中で中国のAI関連スタートアップ投資は2015年-2016年の間で1千500億円となります。 今回は中国AI関連産業状況のリサーチを共有致します。
Azure On-site Seminar: AI 最新技術と Microsoft AI Platform
Azure On-site Seminar: AI 最新技術と Microsoft AI Platform
Ayako Omori
2018/2/26 開催 Azure オンサイトセミナー 資料 音声・画像認識技術でマーケティング・売り上げを伸ばすAI活用最前線 ~最新のAI活用事例から学ぶ、おもてなしサービス・業務効率化Botサービスとその開発高速化手法~ https://www.microsoftevents.com/profile/form/index.cfm?PKformID=0x3257703abcd
AIを使いこなせ! ~AI最新技術とMicrosft AI Platform~
AIを使いこなせ! ~AI最新技術とMicrosft AI Platform~
Microsoft Azure Japan
2018年2月26日に実施した「音声・画像認識技術でマーケティング・売り上げを伸ばすAI活用最前線 ~最新のAI活用事例から学ぶ、おもてなしサービス・業務効率化Botサービスとその開発高速化手法~ 」の資料です。 https://www.microsoftevents.com/profile/form/index.cfm?PKformID=0x3257703abcd
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
Kensho Hara
動画中の人物行動認識における3D CNNを用いた手法の動向を紹介します.
なぜ自社で脆弱性診断を行うべきなのか
なぜ自社で脆弱性診断を行うべきなのか
Sen Ueno
なぜ自社でWebアプリケーション脆弱性診断を行うべきなのか。自動と手動の脆弱性診断のやり方、自社でやる意義、予算のかけ方などを紹介しています。 参考文献はこちら:Webセキュリティ担当者のための脆弱性診断スタートガイド 上野宣が教える情報漏えいを防ぐ技術 http://www.shoeisha.co.jp/book/detail/9784798145624 2017年2月6日
2016/4/16 名古屋CVPRML 発表資料
2016/4/16 名古屋CVPRML 発表資料
Hiroshi Fukui
2016/4/16に名古屋CVPRMLで発表するスライドです.(内容は修論と同様)
DeepLearningDay2016Spring
DeepLearningDay2016Spring
Takayoshi Yamashita
Heterogeneous Learning for Convolutional Neural Network
Similar to Clinical trial of ai equipped medical image diagnosis support system part1
(20)
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
Road damge ai
Road damge ai
画像認識とIoT
画像認識とIoT
画像認識と深層学習
画像認識と深層学習
第1回医用画像データマネージメント研究会 20170118 slideshare
第1回医用画像データマネージメント研究会 20170118 slideshare
CNTK deep dive
CNTK deep dive
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance App...
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance App...
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
品質管理 Low code ハンズオン
品質管理 Low code ハンズオン
A12 坂井研究室 澤田純礼
A12 坂井研究室 澤田純礼
医用画像情報イントロダクション Ver.1 0_20160726
医用画像情報イントロダクション Ver.1 0_20160726
CVPR2015 reading "Understainding image virality" (in Japanese)
CVPR2015 reading "Understainding image virality" (in Japanese)
RTミドルウエア説明資料(10ページ版)
RTミドルウエア説明資料(10ページ版)
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ
Azure On-site Seminar: AI 最新技術と Microsoft AI Platform
Azure On-site Seminar: AI 最新技術と Microsoft AI Platform
AIを使いこなせ! ~AI最新技術とMicrosft AI Platform~
AIを使いこなせ! ~AI最新技術とMicrosft AI Platform~
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
なぜ自社で脆弱性診断を行うべきなのか
なぜ自社で脆弱性診断を行うべきなのか
2016/4/16 名古屋CVPRML 発表資料
2016/4/16 名古屋CVPRML 発表資料
DeepLearningDay2016Spring
DeepLearningDay2016Spring
Clinical trial of ai equipped medical image diagnosis support system part1
1.
Molecular Imaging CRO
Network AI搭載医用画像診断支援システムの臨床試験 Part 1 AI・医用画像診断支援システムの概論 株式会社マイクロン 画像解析事業部 小野 北斗 1
2.
Molecular Imaging CRO
Network AI・機械学習・ディープラーニング AI(人工知能) 機械学習 ディープラーニング ルール データ 正解 PC 従来のプログラミング PC データセット (学習データ・ラベル) 特徴量 ルール 機械学習 PC データ 正解 PC データセット (学習データ・ラベル) ルール PC データ 正解 ディープラーニング 従来の プログラミング 2
3.
Molecular Imaging CRO
Network 機械学習とディープラーニング(画像認識) 0 5 10 15 20 25 30 2010 2011 2012 2013 2014 2015 2016 2017 2018 Top-5 Error Rate (%) Year 画像認識問題(ILSVRC)における精度向上 従来型機械学習 ディープラーニング ヒトの認識誤差 ディープラーニングが圧倒的な性能を示し、その性能はヒトを超えたと言われている。 3
4.
Molecular Imaging CRO
Network なぜ今、AIがブームなのか 1. ハードウェアの進歩 • ディープラーニングには莫大な計算量が必要 • ムーアの法則「半導体の性能と集積は、18か月ごとに2倍になる」により、半導体の性能・集積が向上 • ディープラーニングの計算に特に重要なのは、簡単な計算を並列的に処理してくれる装置→GPU (Graphics Processing Unit) 2. データ量の増加 • ディープラニングの学習に必要なデータは莫大 (一般的にモデルのパラメータ数の10倍のデータが必要) • インターネットの普及により誰でも莫大なデータにアクセス可能 3. 誰でもディープラーニング • 第一次AIブームはAI専門家、第二次AIブームは特徴量の設計(プログラミング等) • ライブラリー、フレームワーク、データセットが公開され、誰でもAIに触れることが可能 • プログラミング不要なものもあり(Neural Network Console、Deep Analyzer、Prediction One等) 4
5.
Molecular Imaging CRO
Network 医療機器プログラムとは 5 • 汎用コンピュータや携帯情報端末等にインストールされた有体物の状態で人の疾病の診断、治療 若しくは予防に使用されること又は人の身体の構造若しくは機能に影響を及ぼすことが目的とさ れているもの – 疾病診断用プログラム – 疾病治療用プログラム – 疾病予防用プログラム プログラムが医療機器プログラムに該当するか 1. プログラム医療機器により得られた結果の重要性を鑑みて疾病の治療、診断等にどの程度寄与 するのか 2. プログラム医療機器の機能の障害等が生じた場合において人の生命及び健康に影響を与えるお それ(不具合があった場合のリスク)を含めた総合的なリスクの蓋然性がどの程度あるのか 出典;平成26年11月14日付け薬食監麻発1114第5号 副作用又は機能の障害が生じた場合においても、人の生命及び健 康に影響を与えるおそれがほとんどないものは医療機器プログラ ム対象外
6.
Molecular Imaging CRO
Network プログラムの医療機器該当性 6 医療機器に該当するプログラム • 医療機器で得られたデータ(画像を含む)を加工・処理し、診断又は治療に用いるための指標、画像、グラフ 等を作成するプログラム • 治療計画・方法の決定を支援するためのプログラム(シミュレーションを含む) 医療機器に該当しないプログラム • 医療機器で取得したデータを、診療記録として用いるために転送、保管、表示を行うプログラム • データ(画像は除く)を加工・処理するためのプログラム(診断に用いるものを除く) • 教育用プログラム • 患者説明用プログラム • メンテナンス用プログラム • 院内業務支援プログラム • 健康管理用プログラム • 一般医療機器に相当するプログラム(クラスI) 出典;薬食監麻発 1114 第5号「プログラムの医療機器への該当性に関する基本的な考え方について」 現在、「プログラム医療機器該当性に関するガイドライン案」を厚生労働省が発表
7.
Molecular Imaging CRO
Network 医療機器のクラス分類 クラス I II III IV 具体例 不具合が生じた 場合でも、人体 へのリスクが極 めて低いと考え られるもの ・体外診断用機器 ・構成小物 (メス・ピンセット等) ・X線フィルム ・歯科技工用用品 不具合が生じた 場合でも、人体 へのリスクが比 較的低いと考え られるもの ・MRI装置 ・電子内視鏡 ・消化器用カテーテル ・超音波診断装置 ・歯科用合金 不具合が生じた 場合、人体への リスクが比較的 高いと考えらえ るもの ・透析器 ・人工骨 ・人工呼吸器 患者への侵襲性 が高く、不具合 が生じた場合、 生命の危険に直 結する恐れがあ る物 ・ペースメーカ ・人工心臓弁 ・ステントグラフト 薬機法の 分類 一般医療機器 管理医療機器 高度管理医療機器 申請 届出 大臣承認(PMDAで審査) 第三者認証 7
8.
Molecular Imaging CRO
Network 医用画像分野におけるAI技術の応用 課題 分類 回帰 領域抽出 セグメンテー ション 吸収補正 線量低減 入力 例 Emission scan 低線量で得ら れたCT画像 出力 例 良悪性鑑別 腫瘍診断 TNM分類 治療効果予測 生存期間 吸収補正後の 画像 通常線量で得 られたCT画像 8
9.
Molecular Imaging CRO
Network CAD(Computer-Aided Detection/Diagnosis) CADe(Detection) CADx(Diagnosis) CADt(Triage) 臨床現場において、医師が様々な画像撮影装置を用いて画像診断(読影)を行う際、参考とな る情報を提供するソフトウェア又はシステム 画像上で病変の疑いのある部位をコンピュータが自動検出し、その位置をマーキングす る機能を有するソフトウェアまたは装置 病変の疑いのある部位の検出に加え、病変候補に関する良悪性鑑別や疾病の進行度、悪 性度の確率等の定量的なデータを数値やグラフ等として出力する機能を有するソフト ウェアまたは装置 診断の優先度を提示するソフトウェアまたは装置 コンピュータ検出/診断支援システム CAD 9 出典;経済産業省/国立研究開発法人日本医療研究開発「医用画像診断支援システム (人工知能技術を利用するものを含む)開発ガイドライン2019(手引き)」
10.
Molecular Imaging CRO
Network CADの臨床上の利用形態 画像 医師 CAD 医師 読影結果 Second reader 型 画像 CAD 医師 読影結果 Concurrent reader型 画像 CAD 医師 読影結果 First reader型 RSMP vol.9 no.1, 37—42, Jan 2019より、一部改変 10 医師がCADを 用いず読影し たあと、CAD の結果を参照 して再度読影 する CADの結果を参照しなが ら、すべての画像を読影 する。 CAD単体が病変 候補を抽出した あと、その病変 候補のみ読影す る。 読影結果におけるCADの寄与 小 大 承認の難しさ 比較的容易 難しい 医師の見逃し・誤診のリスク 小 大
11.
Molecular Imaging CRO
Network CADの歴史 (実用期以降) 11 1998 2016 2017 2018 2019 2020 CADが初めてFDA承認 ImageChecker (R2 Technology (現Hologic, Inc.)) アメリカ 日本 CADとして、ImageCheckerが 初めて販売 (厚生省薬事承認) 脳動脈瘤の診断支援 Eirl Anyurism (エルピクセル) 日本初のAIである 大腸内視鏡の診断支援 EndoBRAIN (オリンパス) 2000 ImageCheckerが 医療保険適用 大腸内視鏡の診断支援 EndoBRAIN-EYE (サイバネット) 胸部X線 CADviser (島津製作所) デジタルマンモグラフィ CAD (富士フイルム) 初のConcurrent reader型CAD ClearRead CT (Riverain Technologies,Inc) 乳房超音波(ABUS) QVCAD System (Qview Medical,Inc) 初のCADx QuantX (Quantitative Insights) CADe+CADx OsteoDetect (Imagen Technologies) 脳卒中のトリアージ型CAD ContaCT (Viz.ai) 条件つきFirst reader型CAD IDx-DR (IDx)
12.
Molecular Imaging CRO
Network CADが普及しなかった理由 マンモグラフィCAD利用時の診断精度 12 p=0.0023 • Second reader型のスクリーニングマンモグラ フィCAD • 放射線科医135名 • CAD導入初年度は学習効果を考慮し、データか ら除外 CAD use No CAD use 感度 84.9% (95%CI=82.9–86.9) 89.3% (95% CI=86.9–91.7) 特異度 91.1% (95%CI=90.4–91.8) 91.3% (95% CI=90.5–92.1) JAMA Intern Med. 2015 November ; 175(11): 1828–1837 臨床現場では、CADを用いたときの方が診断能が 低くなったという研究結果も
13.
Molecular Imaging CRO
Network CADが普及しなかった理由 マンモグラフィCAD利用時の読影時間 13 Radiology. 2010 Oct;257(1):40-6 • Second reader型のスクリーニングマンモグラフィCAD • 読影時間が平均19%増加 その他CADのデメリット • Recall rateの増加 • 生検数の増加 • 高コスト など Second reader型のCADの場合、 読影時間が増加したという研究結果も
14.
Molecular Imaging CRO
Network FDAに承認されたAI搭載CAD 0 20 40 60 80 100 120 0 1 2 3 4 5 6 7 8 9 総数 品目数 FDA市販前通知/承認のAI搭載CAD 各月件数 総数 総数109品目(2021年2月時点) 14 https://www.acrdsi.org/DSI-Services/FDA-Cleared-AI-Algorithms
15.
Molecular Imaging CRO
Network Traditional CAD v.s. AI-CAD 偽陽性数の減少 15 Journal of Digital Imaging (2019) 32:618–624 • マンモグラフィのCAD • FPPiは69%減少 FPPi(false positive per image):画像平均偽陽性数 ImageChecker ( Traditional CAD ) Curemetrix社CAD (AI-CAD) AIを搭載したCADにより、 偽陽性数が減少
16.
Molecular Imaging CRO
Network 読影時間の短縮 (Concurrent reader) 16 https://www.icadmed.com/assets/dmm232-pivotal-concurrent-cad-studies-rev-a.pdf • PowerLook® Tomo Detection • Concurrent reader • デジタル乳房トモシンセシス • 20名の読影医 • 平均29.2%の時間短縮 Second reader型では読影時間が増加していたが、 Concurrent reader型の登場により、読影時間が短縮
Download now