レクチャー動画 → https://youtu.be/rTQLknPvnqs Medical Imagingの概要・最先端・特有の難しさと解決策・俺の取り組み 医療AIで人命を救い、みんな健康かつ笑顔で暮らせる社会を実現したい 2019/3/17「5年後の臨床現場にフィットする医療AI創り」に向けたWorkshopとして、『Medical Imagingが切り開く医療の未来――臨床現場にフィットするAIを創るには？』を開催した！ これは、 ・AI専門家（Medical Imaging）2人 ・医師2人 ・医療と情報学にまたがるジェネラリスト3人 という普段接点の少ないAI側と医療側の専門家が集まり、それぞれ共通・相違する流儀を共有し、本質的なギャップ及びその解決策について考えるという、医療の未来を描くためのもの この講義は、そこでの俺の発表 俺の論⽂ → https://arxiv.org/abs/1902.09856 【関連Medical Imaging動画】 AIは医師を代替するのか？ 東大の医療AI研究者に訊く！ → https://youtu.be/2yI4W43zG3w 俺自身の医療AI研究については、下の研究者ページを参照してね〜 Twitter → http://twitter.com/TricksterKallis 研究者ページ → http://changheehan.strikingly.com ご依頼 → Trickster.Kallis@gmail.com ご質問 → 「#カリスナー」でTwitter投稿 or 週一ペースのYouTube Liveでコメント。Live日程はTwitterに 引用画像 1. MRIの図 http://www.dspc2007.com/limbic.html 2. AIの図 http://stepfirst.co/ja/why-hr-should-get-ready-for-ai 3. Medical Imagingの図 https://shikiho.jp/news/0/205780 4. Sectional Planesの図 https://www.quora.com/What-is-the-parasagittal-part-of-the-brain 5. Deep Learningの図 https://leapmind.io/blog/2017/06/16/ディープラーニング（deep-learning）とは？【⼊⾨編】

1. Medical Imagingが切り開く医療の未来
̶臨床現場にフィットするAIを創るには？
知る̶Medical Imagingとは
by
韓 昌熙 | 東京⼤学⼤学院博⼠課程2年
March 19, 2019

2. Contents
1. Medical Imagingの概要
2. Medical Imagingの最先端
3. Medical
Imagingならではの難しさ̶AI側と医療側のギャップ
4. その既知の解決策 (Deep Learning)
5. 私の取り組み
6. 医療の近未来像
7. おすすめの⽂献

3. Medical Imagingの概要
1/29
病気の多様性や医師の潜在的疲労による
臨床意思決定の質低下を防ぐため
コンピュータビジョン ≒ AIによって医⽤画像を解析し
みんな健康かつ笑顔で暮らせる社会を実現
1. まだ実際の導⼊事例は少ないが、近い将来普及する
2. アメリカの病院だとMR画像からMCI患者の病気が進んで
アルツハイマー病になる確率をInformed consentのもと
伝えるなどの事例

4. Tasks
2/29
Giloblastoma
(brain cancer)
1. 病気の早期検出や診断、予後の予測
X医師を代替 O信頼できる⾃動セカンドオピニオン
病気の分類や検出、セグメンテーション
2. 医師のワークフローをイージーにする
病気と関わる部位だけの提⽰
⾝体の部位の領域分割
⼿術のシミュレーションの提⽰、ノイズ除去
3. 医師にはできない画像解析
疾患の⾒た⽬とゲノムの関係性を紐解くRadiogenomics

5. Data
3/29
1. 放射線画像 (MRI/CT/X-ray/PET)
2. 超⾳波画像
3. 眼底画像/OCT画像
4. ⽪膚画像
5. 病理画像
6. 部位は脳・⽬・⽪膚・肺・前⽴腺・脚など様々
7. ⼀番メジャーなのは脳MRI

6. Methods
4/29
1. 近年はほとんどのケースでDeep Learningが圧倒中
2. Deep Learningについてざっくり説明する

7. 5/29
Deep Learningとは

8. Deep Learningの位置づけ
6/29
⼈⼯知能：⼤量の知識データに対して
⾼度な推論を的確に⾏う
⼤量のデータの中で、価値のあるものを引っ張り出す
機械学習：⼈が明⽰的に挙動を指⽰せず
コンピューターに学習能⼒を与える
⼈⼯知能の⼊⼒・処理・出⼒のうち処理のほとんど
Deep Learning：超⼤量のデータがあれば⼈が介⼊せず
機械が⾃動的にデータから特徴を抽出してくれる
ラクで正確なので、今はどの分野もこれが主流

9. Deep Learningの仕組み
7/29
Deep Learningは中間層をDeep（多層）にすることで
情報伝達と処理を増やし特徴量の精度や汎⽤性を
あげたり、予測精度を向上させた

10. Deep Learningの種類
8/29
DNN：脳神経回路をモデルとした
ニューラルネットワーク（NN）でパターン認識をする
CNN：局所的な情報の抽象化し、位置普遍性をもたせた
順伝播型DNN。DNNを2次元データに
対応させたもので、画像認識に強い
RNN：中間層に再帰的な構造を持つ双⽅向伝播型DNN
可変⻑なので連続データの⾳声・動画・⾃然⾔語に強い

11. 9/29
最先端

12. 専⾨医よりも正確な、糖尿病による⽬の病気の識別
10/29
糖尿病性網膜症は、成⼈の失明原因第1位
病気の進むと網膜に変化が現れるが
専⾨医ですら早期診断は難しい
12万8000枚の画像を使ってDeep Learning
特異度と検出感度を組み合わせたF-scoreは0.95で
8⼈の眼科医の平均の0.91より⾼かった
Google, Dec ʼ16

13. 専⾨医と同レベルの、⽬視による⽪膚がんの識別
11/29
⽪膚がんの診断は主に⾁眼と⽪膚顕微鏡を⽤いた⽬視
⽬視で疑わしき場合のみ⽣検で詳しく調べる
この⽬視を機械に担当させるべく
12万9450枚の画像を使ってDeep Learning
21⼈の⽪膚科医と同レベルの精度
Stanford University, Feb ʼ17

14. 専⾨医と同レベルの、MR画像を⽤いた余命の予測
12/29
膠芽腫は、成⼈の脳のがん第1位
平均的に12-14ヶ⽉しか⽣きられない
余命宣告は難しいので112⼈のMR画像を使ってDeep
Learning
予測性能の基準であるC-indexは0.73921でかなり正確
Shanghai Jiao Tong University, July ʼ17

15. 他の最先端
13/29
専⾨医と同レベルの、CT画像を⽤いた余命の予測
The University of Adelaide, May ʼ17
専⾨医よりも正確な、乳がんのリンパ節転移の識別
Radboud University Nijmegen, Dec ʼ17
364チーム参加コンペティションによる、肺炎の検出
Google & RSNA, Oct ʼ18

16. 14/29
だがこれらは⼤量の画像を要する

17. Medical Imagingならではの難しさ
15/29
医療の専⾨知識が必要
MR画像・病気・臨床的意義や解釈（医師との協⼒）
データ数が少なく、偏っている
病理画像取得・許可が必要なため
患者数は⼀般に10-200⼈程度
腫瘍画像の枚数は健康部位よりずっと少ない（約15:85）
体積だと約2:98
医⽤画像は不明瞭
⽩⿊・低解像度・低コントラスト
測定装置・測定⽅法・個⼈・重症度
MRIだとシーケンスによる差が激しい
といった壁がMedical Imagingにはあり
タスク依存になりがちで、臨床応⽤がなかなか進まない

18. MRIのシーケンス
16/29

19. 17/29
そこで、Deep Learning

20. そこで、Deep Learning
18/29
Deep Learningは複雑な医⽤画像の特徴量を
階層的にデータから⾃動的に得るので
パターンの識別・分類・定量化に優れている
ただ先ほど述べた諸問題に対応するためには
前処理や問題設定、臨床的解釈がすごく⼤事

21. でもデータ少ないじゃん。どうする？
19/29
1. 画像全体ではなく、2Dや3Dのパッチを⼊⼒にして
モデルのパラメータ数を減らす
2. 幾何学・強度的な変化でデータを⽔増しし
学習画像を増やす（最近はGANもよく使われる）
3. ImageNetなどの⼤量の⼀般画像で学習した
ネットワークを⽬的のタスク向けに改良する（転移学習）
ただ、中程度の規模の医⽤画像からの
転移学習の⽅が良いとの報告も
4. CTとMRI・MRIのT1wやT2wといったふうに
複数モダリティ・複数シーケンスを同時に使う
5. CTをもとにMRIを⽣成するなど
別モダリティからデータを引っ張ってくる
6. 複数タスクを少量データでMeta-trainingし
それを学習の初期化に使う

22. でもデータ偏ってんじゃん。どうする？
20/29
1. 単純に正例のデータを減らして、負例の数に合わせる
2. 正例・負例の重みを変える
3. 画像を切り取って、関係の薄いところを減らす
脳だとSkull-stripping

23. でもデータ不明瞭じゃん。どうする？
21/29
1. ノイズ除去や超解像
2. テストの段階で⼊⼒画像をランダムに壊して
複数回予測し平均値を取ることでロバスト性を上げる

24. 医師からするとわからんし怪しい
22/29
1. 特徴マップを可視化するなどして
Deep Learningによる意思決定や結果を
分かりやすく伝える
2. Dropout（あえてモデルを弱くする）を⼊れて
検出結果が変わらなかったからロバストと伝える
3. 臨床現場で役⽴つAIを提供するために
同じ部局にAI研究者・医師両⽅を置くことが増えている
4. データのラベリング（正解データ作り）に向けては
クラウドソーシングが使える

25. でもタスク依存じゃん。どうする？
23/29
1. 教師あり学習の代わりに、健常者だけで学習し
健常者との違いで病気や重症度に
関係なく異常を検出
2. GANで別のデータセットに似た画像に変換することで
異なるデータセットを⼀緒に使う

26. 24/29
私の取り組み

27. ⼀般化でタスク依存性をなくしたい
25/29
1. 健常者の脳MR画像だけで学習し
健常者の脳の⼀般化モデルを作ることで
それとの差分で脳の異常（腫瘍や出⾎）を⾃動的に検出
2. 複数データセットを⼀般化し
前⽴腺MR画像の中央腺と辺縁域を領域分割する
3. 実際の脳MR画像の⼀般化から
リアルな脳MR画像をGANで合成し
データ拡⼤に使う

28. 26/29
医療の近未来像

29. 医療の近未来像
27/29
1. 画像診断の速さが格段に早くなり
実⽣活に浸透する
GPUなどハードウェアが早くなれば
従来は難しかった3Dや4Dの正確な診断が
できるようになる
MRIなどの取得時間も断然短くなり
患者への負担も軽減
2. モバイルなど、安価かつ遠隔でも
正確な診断が可能になる
ソフトウェアが発展すれば
正しいタイミングに正しい位置の
画像を捉えられるようになる

30. おすすめの⽂献
28/29
1. Deep Learning in Medical Image Analysis
Dinggang Shen, 1,2 Guorong Wu, 1 and Heung-Il Suk
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5479722
2. Deep Learning in Radiology: Recent Advances,
Challenges and Future Trends
crcv.ucf.edu/news&info/DLradiologyRSNA2016.pdf
3. Deep learning in radiology: an overview of the concepts
and a survey of the state of the art
https://arxiv.org/abs/1802.08717

31. 引⽤画像・論⽂
29/29
1. MRIの図
http://www.dspc2007.com/limbic.html
2. AIの図
http://stepfirst.co/ja/why-hr-should-get-ready-for-ai
3. Medical Imagingの図
https://shikiho.jp/news/0/205780
4. Sectional Planesの図
https://www.quora.com/
What-is-the-parasagittal-part-of-the-brain
5. Deep Learningの図
https://leapmind.io/blog/2017/06/16/
ディープラーニング（deep-learning）とは？【⼊⾨編】
6. 私の論⽂ https://arxiv.org/abs/1902.09856