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.
1
本稿の内容
『10万枚の網膜画像(未学習の疾患を含む)を
1枚も誤判定なく異常判定可能なAI』のご紹介
1. 【画像検査AI】にご興味をお持ちの方へ(医療、産業)
2. 【画像検査AI】の共同研究をご検討頂いている方へ…
3. 鈴木良郎が開...
2【はじめに】 画像検査AIにご興味を
お持ちの方へ(医療、工業製品の画像検査)D
医療関係者の皆さまへ
⚫ 本AIは「網膜OCT画像」に対し、疾患の有無のみを判定します
⚫ 疾患名の特定はできませんが,疾患看過率が非常に低いです(少なくとも網...
3
D
製造業(産業界)の皆さまへ
⚫ 本AIは、工業製品の製造欠陥検査にも転用できます
【共同研究をご希望頂ける方へのお願い(医療・産業とも共通)】
本AIと類似のAIは世界中で開発されていますが、本AIは「こと網膜OCT画像に関しては、世
...
4
本研究の目的
鈴木良郎の過去最大成果「医療画像診断AI
開発」の道のり( )
• 網膜OCT画像の異常を検知するAIを開発し
実用化水準を突破したい(疾患の有無のみ
判定し,疾患名は特定しない)
• 未学習の疾患も検知したい
• 学習データ...
5
開発した「網膜画像
用AI」の性能
From 『ラボ見学会の参加学生向け資料』
2020/2/17
東京工業大学
鈴木良郎
6
学習データ: 正常+疾患1種
(残りの2疾患は学習しない)
テストデータ:正常+全疾患(3種)
検証方法:4分割交差検証
検証結果:
全画像の疾患の有無を完璧に正しく判定できた.
→ 57,172枚の異常画像を1つも看過することなく,かつ,...
7
計108,312枚のOCT画像
正常:51,140枚
DME:11,349枚
CNV:37,206枚
drusen:8,617枚
学習データ:データセットα
テストデータ:データセットβ
(αと完全に独立のデータ)
検証結果:
データセット...
8本AIの性能のまとめ
入力 出力AIモデル
(Deep Learning)
網膜OCT画像の異常検知では世界トップの性能(2020年2月時点)
⚫ 「未学習の疾患」の正常or異常を完璧に判定可能
⚫ 学習データとテストデータが完全に独立な場合...
9
本成果までの道のり
と、今後
From 『ラボ見学会の参加学生向け資料』
2020/2/17
東京工業大学
鈴木良郎
10本成果までの道のり
⚫AI (=DL=Deep Learning)の研究を開始した数年
前に,これほどの成果を得られる自信はなかった
⚫常に不安があった
⚫何者かに追い詰められている感覚に陥ることも
あった
失敗しても、1つずつ新技術を導入...
11
世界の失明者を激減させる(途上国には
無償で)という人類貢献を1度でもしたい!
「自分は、これをするために生まれてき
た」と思える圧倒的な人類貢献を!
⚫ 掲載されれば実用化に近づく(何としても実用化したい!!)
⚫ 優秀な学生が研究室に...
12
学生の方へ
伝えたいこと
From 『ラボ見学会の参加学生向け資料』
2020/2/17
東京工業大学
鈴木良郎
13学生の方へ 伝えたいこと
⚫ 鈴木自身の手で「本稿のAI」のコード作成を始めたのは約1年前
→ 1年で人生は変えられる
⚫ 皆と同じルール(前提,常識)で競ってしまうと辛い(差別化が困難)
例: 就活 大学受験 企画コンペ 価格競争
⚫ 常...
14
データサイエンスや機械
学習に興味がありAIにつ
いても勉強しています.
〇〇という本を読んだり
△△というスクールに通っ
たりしています.
〇〇を行うAIを開発して,
△△誌に筆頭著者で論文
を掲載しました.コードは
githubにアッ...
Upcoming SlideShare
Loading in …5
×

【東工大・鈴木良郎の論文紹介】10万枚の網膜画像を 1枚も誤判定なく異常判定可能なAI(論文の原題:Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases)

1,110 views

Published on

内容
1.【画像検査AI】にご興味をお持ちの方へ(医療、産業)
2.【画像検査AI】の共同研究をご検討頂いている方へ…
3. 鈴木良郎が開発した【網膜画像診断のAI】の性能紹介
4. 【上記AI】の開発の道のり(当ラボ志望の学生の方へ)
5. 工学系学生の方へ伝えたいこと

Published in: Technology
  • Be the first to comment

  • Be the first to like this

【東工大・鈴木良郎の論文紹介】10万枚の網膜画像を 1枚も誤判定なく異常判定可能なAI(論文の原題:Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases)

  1. 1. 1 本稿の内容 『10万枚の網膜画像(未学習の疾患を含む)を 1枚も誤判定なく異常判定可能なAI』のご紹介 1. 【画像検査AI】にご興味をお持ちの方へ(医療、産業) 2. 【画像検査AI】の共同研究をご検討頂いている方へ… 3. 鈴木良郎が開発した【網膜画像診断のAI】の性能紹介 4. 【上記AI】の開発の道のり(当ラボ志望の学生の方へ) 5. 工学系学生の方へ伝えたいこと D 東京工業大学 鈴木良郎 2020/2/17 Web:.iamonewitht https://www.iamonewi ththeforce.net/blank-9
  2. 2. 2【はじめに】 画像検査AIにご興味を お持ちの方へ(医療、工業製品の画像検査)D 医療関係者の皆さまへ ⚫ 本AIは「網膜OCT画像」に対し、疾患の有無のみを判定します ⚫ 疾患名の特定はできませんが,疾患看過率が非常に低いです(少なくとも網膜 OCT画像に関しては世界トップ) ⚫ 疾患看過率が低いため、健診などの「膨大数の画像を診断しなければならな い」かつ「その多くが正常」というケースに力を発揮します. ⚫ つまり,「本AIが異常と判定した画像のみを医師がチェックして疾患を特定すれ ばよい」ということを最終ゴールに掲げております. ⚫ 言い換えると「本AIが正常と判定した画像は医師がチェックしなくて良い」=「医 師の負担減」≒「健診料減額による途上国への検査の普及」が最終ゴールです. ⚫ また学習していない疾患も「異常」と判定できます(6ページをご参照) ⚫ 本AIは他の医療画像にも転用できます(学習用画像データがあれば…) ⚫ また“人種の壁”を超えられる可能性が示唆されています.外国人画像(+わず かな日本人画像は必要)を学習すれば,日本人画像を診断可という結果も出て おります(←こちらは未発表のため詳細はご紹介できないのですが…) 2020/2/17 東京工業大学 鈴木良郎
  3. 3. 3 D 製造業(産業界)の皆さまへ ⚫ 本AIは、工業製品の製造欠陥検査にも転用できます 【共同研究をご希望頂ける方へのお願い(医療・産業とも共通)】 本AIと類似のAIは世界中で開発されていますが、本AIは「こと網膜OCT画像に関しては、世 界最小の異常看過率」であることから、皆様の画像検査のお役に立てるかもしれません.もし も共同研究をご希望頂ける場合は、下記をご連絡下さい. 1. 検査したい画像(正常画像,異常画像とも10枚程メールでご送付下さい) 2. 異常の種類の数,異常部の大きさ(どの程度小さな異常部を検知したいか) 3. ご提供頂ける正常画像と異常画像の枚数(すぐにご提供頂け枚数と、将来的にご用意頂 ける枚数(例:〇カ月後に△枚)のどちらもお教えください) 4. 共同研究の希望理由:数行で十分でございます.「社会貢献度」 > 「貴社の利益」 = 「鈴 木やその指導学生の利益」という優先順位を、理念として生きております. メール送付先: 東京工業大学・鈴木良郎 ⚫ 上記1~4が揃っていない場合はお返事できません.大変申し訳ございません. ⚫ 上記1~4が揃っている場合でもお返事できない場合がございます(多忙かつ体が弱いた め).10日以内にお返事が届かない場合は,「鈴木が私のAI技術ではお役に立てないと判 断した」とお考え頂けますと幸甚でございます.本当に申し訳ございません. 【はじめに】 画像検査AIにご興味を お持ちの方へ(医療、工業製品の画像検査)
  4. 4. 4 本研究の目的 鈴木良郎の過去最大成果「医療画像診断AI 開発」の道のり( ) • 網膜OCT画像の異常を検知するAIを開発し 実用化水準を突破したい(疾患の有無のみ 判定し,疾患名は特定しない) • 未学習の疾患も検知したい • 学習データセットと完全に独立なデータセット も異常検知できるようにしたい 達成 達成 達成 D 全研究目的を達成して実用化レベルのAIを構築できた ※本AIの技術的な詳細は,本稿の本筋と無関係のため割愛します ※技術的詳細は右記論文をご参照: https://arxiv.org/abs/2001.05859 ※論文題目の和訳:10万枚の網膜画像を1枚も誤判定なく異常判定可能なAI 一言でいうと… 本稿は元々,当ラボ生向けに作った資料です お見苦しい点は、お許し頂けますと幸甚です
  5. 5. 5 開発した「網膜画像 用AI」の性能 From 『ラボ見学会の参加学生向け資料』 2020/2/17 東京工業大学 鈴木良郎
  6. 6. 6 学習データ: 正常+疾患1種 (残りの2疾患は学習しない) テストデータ:正常+全疾患(3種) 検証方法:4分割交差検証 検証結果: 全画像の疾患の有無を完璧に正しく判定できた. → 57,172枚の異常画像を1つも看過することなく,かつ,51,140枚 の正常画像を1つも誤判定することがなかった.すなわち ⚫ 正常とDMEを学習するだけで,DMEだけでなく,CNVとdrusenも検知可 ⚫ 正常とCNVを学習するだけで,CNVだけでなく,DMEとdrusenも検知可 ⚫ 正常とdrusenを学習するだけで,drusenだけでなく,DMEとdrusenも検知可 検証1 未学習の疾患を検知できるか? 計108,312枚のOCT画像 正常:51,140枚 DME:11,349枚 CNV:37,206枚 drusen:8,617枚 使用するデータセット:データセットα 未学習の網膜疾患も含め完璧に正しく検知できた 網膜画像に限らず、こんな完 璧なAIは世界に類がない
  7. 7. 7 計108,312枚のOCT画像 正常:51,140枚 DME:11,349枚 CNV:37,206枚 drusen:8,617枚 学習データ:データセットα テストデータ:データセットβ (αと完全に独立のデータ) 検証結果: データセットαと完全に独立(患者や撮影施設等が異なる)の データセットβの全画像の疾患の有無を正しく判定できた. 検証2 学習データとテストデータが完全に独立でも診断可能? 使用するデータセット:データセットαとβ 正常,DME,CNV, drusenとも全て各250枚 データセットβを一切学習しなくても データセットα(βとは患者等が異なる)を学習すれば データセットβを診断可能 → 使い勝手がよい!! こちらについても 世界初の成果です
  8. 8. 8本AIの性能のまとめ 入力 出力AIモデル (Deep Learning) 網膜OCT画像の異常検知では世界トップの性能(2020年2月時点) ⚫ 「未学習の疾患」の正常or異常を完璧に判定可能 ⚫ 学習データとテストデータが完全に独立な場合でも 完璧に判定可能 Output 異常の有無の 判定結果 AUC=1.00000 10万枚の画像 を完璧に正しく 判定できた DL 最新のCNN (DenseNet) 弱教師あり学習 距離学習 データ増強 網膜OCT画像 Input https://www.kaggle.com/paulti mothymooney/kermany2018 疾患3疾患2 疾患1正常 実用化水準 達成 つまり
  9. 9. 9 本成果までの道のり と、今後 From 『ラボ見学会の参加学生向け資料』 2020/2/17 東京工業大学 鈴木良郎
  10. 10. 10本成果までの道のり ⚫AI (=DL=Deep Learning)の研究を開始した数年 前に,これほどの成果を得られる自信はなかった ⚫常に不安があった ⚫何者かに追い詰められている感覚に陥ることも あった 失敗しても、1つずつ新技術を導入 して、精度向上を試みつづけること ⚫それでも歩みを止めないことの大切さを改めて経 験した
  11. 11. 11 世界の失明者を激減させる(途上国には 無償で)という人類貢献を1度でもしたい! 「自分は、これをするために生まれてき た」と思える圧倒的な人類貢献を! ⚫ 掲載されれば実用化に近づく(何としても実用化したい!!) ⚫ 優秀な学生が研究室に集まる ⚫ 強力な共同研究先が見つかる ⚫ 研究費を獲得しやすくなる 今後の本成果のプロモーション https://arxiv.org/ abs/2001.05859 個人的に、本研究に携わる最大の理由 現在査読中ですがこちら から閲覧可です.査読先 から公開許可を確認済み ■本成果の論文を執筆中(追記:執筆終わりました ) ⚫ 何とか世界三大論文誌(Nature, Science, Cell)に掲載 させたい → きっとたくさん苦労するがやりきりたい ⚫ 論文公開と同時にプレスリリースで発信予定 → 実用化を早めるために広く知って頂きたい → 途上国の失明者(と視野一部欠損者)を激減できるはず
  12. 12. 12 学生の方へ 伝えたいこと From 『ラボ見学会の参加学生向け資料』 2020/2/17 東京工業大学 鈴木良郎
  13. 13. 13学生の方へ 伝えたいこと ⚫ 鈴木自身の手で「本稿のAI」のコード作成を始めたのは約1年前 → 1年で人生は変えられる ⚫ 皆と同じルール(前提,常識)で競ってしまうと辛い(差別化が困難) 例: 就活 大学受験 企画コンペ 価格競争 ⚫ 常識を捨てルールを変えれば、確実な勝ち筋が見えることがある 例4: 数百人規模の企画コンテスト(プレゼン大会)で優勝したい → youtube参照.皆が企画案を披露する中,1人だけ実証結果を披露して優勝 例2: 超人気企業Google AIに就職したい → 機械学習関連で大きな成果を出してトップ学会(ICLR, NeurIPS, CVPR, SIGGRAPH等)に論文を筆頭著者で投稿.さらにGithubでコード公開 (Google AIは上記学会の論文を採用時に考慮すると明記しています) 例3: 大手自動車会社に就職したい → 新車形状を自動生成するAIを開発し,トップ学会に論文掲載し,コードを githubに投稿 → ほぼ確実に採用(そんな就活生はほぼ存在しないから) 例1:世界最高性能の医療AIを開発して世界トップ誌に論文掲載 → 東工大機械系ラボが「医療AIの実用化」を目指す → 開発したAIを、機械産業にも転用可 → 高希少性を持つラボになれる!
  14. 14. 14 データサイエンスや機械 学習に興味がありAIにつ いても勉強しています. 〇〇という本を読んだり △△というスクールに通っ たりしています. 〇〇を行うAIを開発して, △△誌に筆頭著者で論文 を掲載しました.コードは githubにアップしています のでよかったらご覧になっ てください. こんな就活生はめったにいないので採 用されやすい.インプットではなくアウト プットで争う競技へルール変更すれば よい.Google AIはトップ学会の論文掲 載を採用時に考慮すると明記している インプットを語るのは,皆が注力 する点(皆共通のルール).この ルールで競うと差別化は困難. ⚫ インプットしたことを語る人 < アウトプットしたことを語る人 ⚫ まとめ • 1年で人生は変えられる • そのために皆と違うルールで勝負する道を探すのもよい • たくさん挑戦して失敗して1つ成功すればよい. 挑戦し続ける人 は極わずか.続けるだけでいつの間にか特別な人になっている • このラボで特別な時間を過ごし,特別な人生を歩んでください. 学生の方へ 伝えたいこと

×