人工知能の発展とコンピュータ支援診断の開発東京大学医学部附属病院コンピュータ画像診断学 / 予防医学講座林直人 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 1

Size: px

Start display at page:

Download "人工知能の発展とコンピュータ支援診断の開発東京大学医学部附属病院コンピュータ画像診断学 / 予防医学講座林直人 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 1"

しおりきちや
6 years ago
Views:

1 第 2 会場 2 日目モーニングセミナー共催 : 株式会社ジェイマックシステム / イーサイトヘルスケア株式会社人工知能の発展とコンピュータ支援診断の開発林直人 ( 東京大学 ) 1 月 29 日 ( 日 ) 8: 20~8: 50 座長 : 松尾義朋 ( イーサイトヘルスケア )

2 人工知能の発展とコンピュータ支援診断の開発東京大学医学部附属病院コンピュータ画像診断学 / 予防医学講座林直人 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 1

3 人工知能 Artificial Intelligence AI の発展人工知能の定義 AI 効果人工知能のレベル強い AI, 弱い AI ムーアの法則技術的特異点 Singularity Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 2

4 人工知能? そもそも知能を定義できるか? 日本大百科全書 ( ニッポニカ ) の解説知能には種々の定義があるが比較的広く受け入れられているものを類型化すると次の六つに大別される (1) 抽象的思考力を重視するもの (2) 学習する能力とみなすもの (3) 新しい環境に対する適応性を強調するもの (4) 包括的に定義しようとするもの (5) 操作的定義 (6) 情報処理の能力 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 3

5 AI 効果かつては人工知能と呼ばれていたが実用化されひとつの分野を構成すると人工知能と呼ばれなくなること多くの人はその原理がわかってしまうとこれは知能ではないと思うのである例 : 音声認識文字認識自然言語処理 ( かな漢字変換や翻訳 ) ゲーム ( 将棋や囲碁 ) 検索エンジンなど出典 : 人工知能は人間を超えるか松尾豊 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 4

6 人工知能のレベルレベル 1: 単純な制御プログラムエアコンや掃除機洗濯機などの家電で人工知能と言っているものレベル 2: 古典的な人工知能将棋のプログラムや掃除ロボットエキスパートシステムなどレベル 3: 機械学習を取り入れた人工知能 (1990 年代 ~) 与えられた特徴量をもとにデータから学習する例 : 検索エンジン迷惑メール振り分けなどレベル4: 深層学習を取り入れた人工知能特徴量自体を学習する ( 出典 : 松尾豊人工知能は人間を超えるか 2015 年 ) Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 5

7 強い AI 弱い AI 汎用 AI( 強い AI artificial general intelligence (AGI)): ドラえもん鉄腕アトムターミネーター人と同じような知性を持った機械常識的判断可能専用 AI( 弱い AI): 高度な計算チェスをする顔認識文字認識 CAD タスクごとのプログラミングが必要 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 6

8 ムーアの法則 IC のトランジスタ数が約 2 年ごとに倍になる By shigeru23 [GFDL ( or CC BY-SA 3.0 ( via Wikimedia Commons Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 7

9 Moore s Law the Fifth Paradigm By Courtesy of Ray Kurzweil and Kurzweil Technologies, Inc. (en:image:pptmooreslawai.jpg) [CC BY 1.0 ( /1.0)], via Wikimedia Commons Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 8

10 脳容積から見るヒトの情報処理能力の発達現代人 1500ml 原人 750ml (250 万年前 ) チンパンジー ml (700 万年前に分岐 ) 人類は約 250 万年で情報処理能力が倍増一方コンピュータは 2.5 年で倍増 100 万倍のスピードで発達! Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 9

11 $1000 パソコン計算速度の発展 $1000 パソコン 2020 年ヒト Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 10

12 Singularity 技術的特異点技術的特異点は汎用人工知能や人間の知能増幅が可能となったときに起こるとされている出来事でありひとたび優れた知性が創造された後再帰的に更に優れた知性が創造され人間の想像力が及ばない超越的な知性が誕生するという仮説である人工知能が自分よりも優れた人工知能を作るというサイクルにより加速度的に発達しそれによって他の技術革新も加速度的に進展する 2014年の映画 TranscendenceはSingularityを扱っている Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 11

13 コンピュータ支援診断 (Computer-assisted diagnosis/detection, CAD) の開発放射線画像の増加脳動脈瘤の検出成績 CADの用語 CADの問題点 CADソフトウェアの仕組み学習についてデータについて CIRCUS Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 12

14 放射線画像の急速な増加 1895 年 RöntgenによるX 線の発見 1972 年 CTの発明 1983 年 MRI 臨床機 1986 年ヘリカルCT 1998 年 4 列 MDCT 2000 年頃 PACS 2012 年 320 列 MDCT 画像数の増加! Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 13

15 臨床現場の脳動脈瘤の検出感度読影医単独感度 65%, 特異度 99% CAD 単独感度 82%, 特異度 NA 読影医 +CAD 感度 69%, 特異度 99% ( ただし対象となる脳動脈瘤は2mm 以上 ) Miki S, et al. AJNR 2016 人間はかなり見落としをしている! Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 14

16 CAD の用語機械学習 : 病変の特徴量を用いて多数のデータで識別器を教育する特徴量 : 観察対象の測定可能な濃度辺縁形状大きさなどの性質 ( 特徴量は CAD の成功の成否やその性能に直結する ) 深層学習 (deep learning) : 多層のニューラルネットワーク ( 特徴量自体をデータから学習可能 ) Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 15

17 現在の CAD の問題点 CAD の現在の定義 : 医用画像に対してコンピュータで定量的に解析された結果を第 2 の意見として利用する医師による診断医用画像のためのコンピュータ支援診断システムの開発の現状と将来 2003 藤田広志. 推奨されているCAD 利用法 1) まずCADなしで読影 2) 次にCADを参照して読影 3) 最終読影結果は医師の責任医師だけの読影より必ず時間が延長する! Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 16

18 CAD ソフトウェアの流れ preprocessing 前処理 segmentation 領域抽出 candidate detection 病変候補抽出 feature extraction 特徴量抽出 classification 分類機械学習 system output 結果出力 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 17

19 胸部 CT における肺結節検出 CAD (1) 1) 肺野領域の抽出 2)3 次元形状解析で病変候補領域抽出 ( 球場に近い形状を抽出 ) 3) 各病変候補の特徴量計算陽性と偽陽性を識別 4) 結果出力 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 18

20 胸部 CT における肺結節検出 CAD (2) 1) 肺野領域の抽出 2)3 次元形状解析で病変候補領域抽出 ( 球場に近い形状を抽出 ) 3) 各病変候補の特徴量計算陽性と偽陽性を識別 4) 結果出力 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 19

21 胸部 CT における肺結節検出 CAD (3) 1) 肺野領域の抽出 2)3 次元形状解析で病変候補領域抽出 ( 球場に近い形状を抽出 ) 3) 各病変候補の特徴量計算陽性と偽陽性を識別 4) 結果出力球形度 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 20

22 胸部 CT における肺結節検出 CAD (4) 1) 肺野領域の抽出 2)3 次元形状解析で病変候補領域抽出 ( 球場に近い形状を抽出 ) 3) 各病変候補の特徴量計算陽性と偽陽性を識別 4) 結果出力 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 21

23 識別器の学習 1) 識別境界を正しく決定するためには多数の学習用データが必要 2) 識別器は学習データに依存する開発に使用したデータに最適化されている 3) 異なるデータに対して同じ成績が出る保証はない ( 機種撮像法母集団に依存する ) 球形度 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 22

24 過学習 overfitting 1) 学習データに対して相対的に学習モデルのパラメーターが多い時に生じやすい Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 23 球形度

25 追加学習 1) 不十分なデータ数で学習した場合にデータを追加して学習して識別器のモデルが合うように調整する球形度 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 24 2

26 再学習 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 25 球形度球形度元データと元モデル異なるデータ

27 CAD 性能評価 -FROC 曲線肺結節検 (Lung-CAD) 脳動脈瘤検出 (MRA-CAD) ~ 分 ( 計 5 施設 Lung-CAD:3,302 例 MRA-CAD:1,209 例 ) 追加学習前 : 東大病院データによる学習結果をそのまま多施設で使用すると性能は低下追加学習後 : 東大病院性能の 98%( 肺結節 ) 94%( 脳動脈瘤 ) まで改善 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 26

28 CAD 開発ではデータが重要 CADの性質や性能は学習データの量と質に依存する割合が大きい同じ設計でもデータの違いによって性能は大きく変わる適用対象と異なる性質のデータで学習したCADは性能が十分に出ない診断できる医師でなければデータに正しいラベルをつけることができない Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 27

29 大量データの問題点画像以外の診療情報との紐付けが困難教師付き学習に必要なラベル付けのコストが高い複数の医師がラベルをつけると基準の統一が難しい画像データは個人情報なので自由に流通させることができない Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 28

CIRCUS Clinical Infrastructure for Radiologic Computation of United Solutions 統合されたソリューション群による放射線医学のための臨床情報処理基盤 http://www.ut-radiology.umin.

30 CIRCUS Clinical Infrastructure for Radiologic Computation of United Solutions 統合されたソリューション群による放射線医学のための臨床情報処理基盤年 ( 主に CAD 開発とその利用が目的 ) Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 29

31 CIRCUS の特徴 CIRCUS DB (database) 学習データの効率的収集と作成 CIRCUS CS (clinical server) フリーソフトとして公開中日常診療で CAD ソフトウェアを使用する Web プラットフォーム追加学習のためのフィードバックデータ収集多くの人が CAD の開発や利用をしてほしい Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 30

32 黒船はすでに来ている! IBM Watson Elementary : 前立腺 MRI の自動診断自動報告書作成 Merge Healthcare (RIS, PACS, reporting, CADstream) Watson Google DeepMind Health TensorFlow Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 31

33 Take Home Points まもなく人工知能の情報処理能力が人間を超える CAD 開発ではデータが最重要 CAD(AI) を制するものが医療を制するかもしれない Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 32

34 ご静聴ありがとうございました Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 33

AI AI Artificial Intelligence AI Strategy& Foresight AI AI AI AI 1 AI AI AI AI AI AI AI AI AI AI AI AI AI 2 AI 1 AI AI 3 AI 3 20 AI AI AI AI AI

AI AI Artificial Intelligence AI Strategy& Foresight AI AI AI AI 1 AI AI AI AI AI AI AI AI AI AI AI AI AI 2 AI 1 AI AI 3 AI 3 20 AI AI AI AI AI AI AIArtificial Intelligence AI Strategy& Foresight AI AIAI AI 1 AI AI AI AI AI AI AI AI AI AI AI AI AI 2 AI 1 AI 50 80 AI 3 AI 3 20 AI AI AI AI AI IoT AI AI 4 Strategy& Foresight Vol.15 2018 Spring masahiro.m.ozaki@pwc.com

人工知能 の発展とコンピュータ支援診断の開発 東京大学医学部附属病院 コンピュータ画像診断学 / 予防医学講座 林直人 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 1

人工知能の発展とコンピュータ支援診断の開発東京大学医学部附属病院コンピュータ画像診断学 / 予防医学講座林直人 Computational Diagnostic Radiology and Preventive Medicine, University of Tokyo Hospital 1