歯科治療では歯の土台である歯茎を壊す歯周病を優先して治療します。 虫歯で歯が痛い患者にとって歯の治療を後回しにされることは納得し難いものですが、セカンドオピニオンも同じ意見となれば患者も納得できます。 そこで我々は、実際のカルテに書かれる歯科医師の所見から治療計画を導き出す ”歯科医療初” の AI 型治療計画支援システムを開発しました。 本システムは Microsoft Azure が持つ自然言語処理と機械学習を活用して、所見から病名や治療計画を提案します。 これら技術的取り組みや今後の展望についてデモを交じえてご紹介します。

1. Microsoft
Japan Partner Conference
2018

2. ID:I-2

3. アジェンダ
• AI型治療計画支援システム開発の背景
• デモンストレーション
• AIシステムの概要
• 今後へ向けて

4. 株式会社オプテックのご紹介
歯科 オプテック 検索
• 創業
• 2005年5月 東海大学発ベンチャーとしてスタート
• 主な業務内容
• 販売拠点
• 営業所：東京、神奈川、大阪、福岡
 その他詳細はこちらで

5. 歯科医療情報システムの構成
支払機関
・国民健康保険団体連合会
・社会保険診療報酬支払基金
レセ
プト
カルテコン(Opt.one)
カルテ作成機能
・患者の基本情報
・主訴
来院のきっかけ
・現病歴
どんな経過で、今の症状に？
・既往歴
過去の治療
・嗜好
・治療方針
・治療内容など
レセプト作成機能
・患者情報
・診察日
・保険者番号等
・初診の回数と点数
・処置の回数及び点数
・其の他の回数と点数
・合計の請求点数
レセコン
カルテ情報の一部を使用
患者の問題とその解決策、
その解決状況などを記録
診療報酬請求書（レセプト）作成用
＜患者の問題解決には使えない＞
• 弊社の歯科医療情報システム（Opt.one）はカルテ作成機能をベースにレセプ
ト作成用のレセコン機能を含むカルテコンピュータ（カルテコン）

6. 歯科医療情報システムの市場
• 全国の歯科医院の状況
• 歯科医院数：約70,000件弱＊／全国
• 歯科医院に通院する患者数：約20～30人／日
• 歯科医院の累積患者数：約3,000～5,000人
• 歯科医療情報システムの普及率
• レセプトの電子請求義務化により普及率はほぼ100%
＊厚生労働省による医療施設動態調査(H29年12月末概数)

7. 処理区分 機 能 Opt.one Ｍ社製品 Ｎ社製品
カルテ関連
POS対応 ○ × ×
POMR形式カルテ作成 ○ × ×
SOAP形式カルテ作成 ○ × ×
レントゲン画像カルテ貼り付け ○ × ×
説明用画像カルテ貼り付け ○ × ○
診療計画の画像による説明 ○ × ×
自費診療等の患者説明 ○ × ×
患者提供文章自動作成 ○ × △
技工指示書作成 ○ × ×
レセプト
レセプト作成 ○ ○ ○
総括表同時印刷 ○ × ○
Opt.oneと他社製品の比較例

8. 歯科業界の中での弊社の立ち位置
• 治療からヘルスケアへ
• カルテを軸にビジネスを展開
• 弊社のユーザ数(2018.8現在)
• 約3,000ユーザ
• 毎年300~400ユーザの増加（自社リプレースを除く）
• ユーザ数で業界第６位前後
• 業界をリードする提案実績
• デンタルPOS®️ 、デンタルSOAP®️ 、月額利用契約など

9. • AIの導入
• プログラム指向 ⇒ データ指向
• システム開発・保守の柔軟性確保
• オープン化とデータ連係による高付加価値化の追求
• Opt.oneと連携するロボットの開発
• 歯科の人手不足を補う一次受付用
• 問診補助用
先端技術開発へのチャレンジ精神

10. 【患者側の要望（上位から＊）】
＊ （一社）日本私立歯科大学協会 第４回意識調査(2016.11.01)を参考
AI型歯科システム開発の背景 1/3
• 丁寧な治療をしてくれる
• 高い技術で治療をしてくれる
• 人柄が良い・優しい
• 治療の説明をきちんとしてくれる
• 清潔感がある
• 痛くない治療をしてくれる
• 治療を少ない回数で終わらせてくれる
• 費用の説明をきちんとしてくれる
50%以上
50%未満上位

11. AI型歯科システム開発の背景 2/3
【治療計画：むし歯の治療を例に】
・正常、むし歯（5段階）で 6通りの状態／歯
・全組合せ 632 (7.95866111×1024 )通り
・この中のどれかの組合せを治療
・食事できるように治療計画を立案
・むし歯以外の病名も多く組合せ爆発が発生！
・ベテランの歯科医師は対応
・ベテランの経験値を取り込んで治療計画の立
案を支援するシステムを実現したい
口腔内部位
32カ所

12. AI型歯科システム開発の背景 3/3
【歯科医師側の要望】
• 他の歯科医師の治療を参考にしたい
⇒AIで解決可能
• 個別最適化
• 歯科医師個人やグループの考え方を反映できる専用のカ
ルテシステムを構築したい
• カルテの作成効率向上と品質を確保したい。
⇒AIで解決可能

13. AI型歯科治療計画システム＊ 特許出願中
＊本研究開発は平成28年度補正革新的ものづくり・商業・サービス開発支援補助金 第四次産業革命型による成果です。
病名
部位ごとの治療リスト
（治療の流れ）
一口腔内
部位別
治療集計機能
治療プラン
導出AI
所見
部位ｎの処置リスト
＜病名、治療、確信度＞
・
・
・
部位２の処置リスト
＜病名、治療、確信度＞
・
・
・
部位１の処置リスト
＜病名、治療、確信度＞
・
・
・
一口腔内の全治療リスト
病名
導出AI
部位別
治療リスト
導出AI
客観性のある
一口腔の
治療プラン
AI支援による客観的な
治療計画の提示と説明
各歯科医師の考え方
を個別に学習
⇒カルテ作成の効
率化と高品質化
所見
歯科医師側と患者側の要望に応えるソリューション

15. 歯科医師からの評価
「経験の浅い歯科医師にとって、とても心強い」
「歯科医師のための教育ツールとしても活用できそう」
「即座に客観的提案が可能なセカンドオピニオンとなる」
実際にカルテを活用したAIに触れてみて

17. 歯科医師からの評価
「関連性の高い所見を参考にできるので
カルテ作成に要する時間を短縮できそう」
「他の歯科医師との所見を共有できることで
より多角的な診療が行なえる」
「歯科医院ごとに学習できる特化型のAIがあれば
日々のカルテ作成業務の効率がさらに向上するだろう」
実際にカルテを活用したAIに触れてみて

19. 会社案内
株式会社クレスコ
・アプリケーション開発
・ITインフラシステム開発
・組込みシステム開発
3本の柱とAIなど先端技術の活用で
お客様のデジタル変革を支援します

20. AI 型治療計画支援システム

21. 導出機能
システム概要
Opt.one
受付ロボット
問診ロボット
タブレット
端末
Opt.one
UI
ホスト
アプリケーション
ユーザー
インターフェース
Internet 病名AI
Language
Understanding
治療AI
Azure
Machine Learning
計画AI
Cognitive Serveices
病名導出
治療導出
計画導出
管理機能
治療計画導出
アプリケーション

22. システム概要
Language Understanding病名 AI
治療 AI
計画 AI
Azure Cognitive Serviceは “人工知能パーツ”
適切にサービスを選択し利用する必要があった
利用しているAzure Cognitive Service
Azure Machine Learning Studio
“Multiclass Neural Network”
Azure Machine Learning Studio
” Two-Class Neural Network & Ordinal Regression”

23. システム概要
サンプルデータ集合を解析しAI学習に利用
各AIの学習データ
学習元データ
カルテ情報等、複数の趣旨と履歴を持つ文章データ
規則、ルール、知識表現、判断基準などを抽出しアルゴリズムを発展
病名 所見
C2 近心隣接面にカリエスを認める。
顎関節症 右顎よりクリック音を認める
P2 歯周ポケットを4mm認める
C2 お変わりないです
・・・ ・・・
C2所見
近心隣接面にカリエスを認める。
遠心咬合面に浅いう蝕あり。
小窩裂溝が深く、カリエスの危険性が高
い。
・・・

24. システム概要
システム開発の検討ステップ
②どうやってAIを教育するか？
①どのようなAIシステムを構築するか？

25. AIシステムの検討

26. AIシステムの検討
それぞれのAIについてどう作っていくのかを検討
・システム構成は？
・どのようなサービスを利用する？
・精度は？
病名 AI 治療 AI 計画 AI
etc.

27. AIシステムの検討
当初は IBM Watson NLC も候補
病名AIの検討
Azure LUIS
Watson NLC
60%
30%
想定するシステムのPoCを実施
結果の比較検証により本システムのAIサービスを選定
PoCでの正答率
本システムではAzureを全面採用
その他AIシステムの設計を実施
LUISの採用決定

28. AIシステムの検討
Azure Machine Learningを利用
治療AIの検討
初期構想：アルゴリズムにMatch Box Recommenderを利用
教師データの属性が似たユーザーが行った治療法を推奨
採用アルゴリズム：Multiclass Neural Network
教師データの属性から特徴量を機械学習で抽出
過去カルテから入力の属性に近い治療法を推奨
× 病名に対して関係のない治療法も推奨されてしまうため方針変更
期待する診療セットと同一なもの
PoCでの正答率 58.1 %

29. AIシステムの検討
Azure Machine Learningを利用
計画AIの検討
初期構想：Chainerによる実装
ニューラルネットワークとランキング学習を用いて実装
採用アルゴリズム：Two-Class Neural Network
Ordinal Regression
順序のあるデータを学習させ、新たなデータに
対して順序を推測
× 実行速度や保守、運用の懸念などで方式を変更
期待値とAIによる返答の順位が同一
PoCでの正答率 43.5 %

30. マイクロソフト
先端技術対応支援サービス
・セミナー・トレーニング
・Hackfest（プロトタイプ開発支援）
・マーケティング支援
本プロジェクトは、Hackfestを活用
・2017/7/24～7/28（5日間）
・LUISを活用した病名推論の実装

31. AIシステムの開発

32. AIシステムの開発
病名AIの教育
①データ抽出
②データクレンジング
③文章仕分け
④学習
病名に対して結びついていないものや、関係のない所見のデータを削除
病名毎に、文章構成の類似した文章に仕分
LUISに対して仕分け済みカルテ情報を学習させる
過去のカルテ情報から、病名と所見(医師の診察コメント)の組み合わせを抽出
①データ抽出 ②ﾃﾞｰﾀｸﾚﾝｼﾞﾝｸﾞ ③文章仕分け ④学習

33. AIシステムの開発
治療AIの教育
①データ抽出
②形態素解析
③特徴量抽出
④特徴量絞込み
過去カルテ情報から、病名、所見、年齢、部位、部位属性、診療セットの組合データを抽出
品詞ごとに区切られた形に所見データを加工
Feature Hashingを用いて、文章の特徴をインデックス化し、それぞれのデータに属性を付与
LUISに対して仕分け済みカルテ情報を学習させる
⑤学習
ニューラルネットワークで機械学習モデルを作成
①データ抽出 ②形態素解析 ③特徴量抽出 ④特徴量絞込み ⑤学習

34. AIシステムの開発
計画AIの教育
①データ抽出
②治療順序付与
③学習
過去カルテ情報から、患者の一口腔単位に存在する部位属性、部位、病名、処置を抽出
病名と部位の組み合わせ毎の治療順序と、全体の治療順序を付与
多項ロジスティック順序回帰を用いて、機械学習モデルを作成し学習させる
①データ抽出 ②治療順序付与 ③学習

35. AI 型治療計画支援システムの今後

36. 課題
①教師データ作成に手間がかかる
②正答率のさらなる向上
③クラス定義の数量制限
④学習用データの偏り是正
AI課題に注力することができた
Azureを選択したことで、システム構築に関するその他の課題は極小化
AIの課題に注力することが可能
継続課題

37. 今後の取組み
システムの一部に旧資材を利用するなどAzureを活かしきれていない
より柔軟にタイムリーに要望に応えられるシステムへ
• Azureをより活用するためにサーバレス化の検討
オプテック様の要望に柔軟に・タイムリーに応え
られるクラウドネイティブなシステムを提供
• 新たなAIの実装

38. 今後へ向けて

39. 今後へ向けて
• AI技術の展開
• AI技術応用分野の拡大
• 歯科医療分野を拠点に創造的破壊型イノベーションの先頭へ
• AIによるデジタルビジネスの展開
• 個別最適化ビジネスの拡大
• AIのオープン化による付加価値拡大と求心力の強化

40. Thank you for your attention
資料をダウンロードするには上記QRコードをスキャンしてください。
コンテンツ有効期限は9月15日です。
JPC2018のドキュメントはBOXのソリューション
を活用してシェアされています。