Intel AI in Healthcare 各国事例からみるAIとの向き合い方
0 likes520 views
2021/2/20 DLLAB Healthcare Day 2021 医療 x AI への参入障壁を乗り越える~ インテル株式会社 APJデータセンターグループ・セールス AIテクニカル・ソリューション・スペシャリスト 大内山浩氏
![インテル株式会社 8
本日ご紹介する事例は・・・
ノバルティス
中国人民解
放軍総医院
ペンシルバ
ニア大学
江豊生物
[重要] 全ての事例においてインテル製品（ハード＋ソフト）のみが使われております。
東京デザインテ
クノロジーセン
ター専門学校](https://image.slidesharecdn.com/20210220dllabintelaiv1-210319040608/85/Intel-AI-in-Healthcare-AI-8-320.jpg)
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
- 1. Intel AI in Healthcare ~各国事例からみるAIとの向き合い方~ DLL Healthcare Day 2021（2021年2月20日） インテル株式会社 APJデータセンターグループ・セールス AIテクニカル・ソリューション・スペシャリスト 大内山 浩
- 2. インテル株式会社 2 本日お話しすること 1. インテルのAIビジネス概要 2. ヘルスケア業界におけるお客様事例 3. 今後AIと上手に付き合うための3つのポイント
- 4. 4 インテル株式会社 インテル® CPUの世代およびAI関連命令セット インテル® Xeon® プロセッサー E3/E5/E7 インテル® Xeon® プロセッサー E3/E5/E7 v2 インテル® Xeon® プロセッサー E3/E5/E7 v3 （コードネーム：Haswell） インテル® Xeon® プロセッサー E3/E5/E7 v4 （コードネーム：Broadwell） インテル® Xeon® スケーラブル・プロセッサー （コードネーム：Skylake） 第 2 世代インテル® Xeon® スケーラブル・プロセッサー （コードネーム：Cascade Lake） 第 5 世代 インテル® Core™ プロセッサー・ファミリー 第 6 世代 インテル® Core™ プロセッサー・ファミリー 第 7 世代 インテル® Core™ プロセッサー・ファミリー 第 8 世代 インテル® Core™ プロセッサー・ファミリー 第 9 世代 インテル® Core™ プロセッサー・ファミリー 第 10 世代 インテル® Core™ プロセッサー・ファミリー （コードネーム：Ice Lake / Comet Lake） 第 3 世代インテル® Xeon® スケーラブル・プロセッサー （コードネーム：Cooper Lake） 第 11 世代 インテル® Core™ プロセッサー・ファミリー （コードネーム：Tiger Lake） インテル® Xeon® プロセッサー インテル® Core™ プロセッサー・ファミリー 旧 新 薦 薦 ・ ・ ・ ・ ・ ・ AVX-512 AVX-512 AVX2 AVX2 AVX AVX DL Boost AVX-512 DL Boost AVX2 AVX2 AVX2 AVX2 AVX2 ※ Comet Lakeは、AVX512/VNNIは含まれず、AVX2のまま AVX-512、 DL Boostが入っている世代がAIにおすすめ AVX-512 DL Boost BF16 AVX-512 DL Boost https://www.intel.co.jp/content/www/jp/ja/architecture-and-technology/avx-512-overview.html
- 5. インテル株式会社 5 アナリティクス & AI向け ハードウェア製品ポートフォリオ All products, computer systems, dates, and figures are preliminary based on current expectations, and are subject to change without notice. 5 COMMUNITY Data Center DL Inference Real-Time & Multi- Function DL Inference Data Center DL Training Edge DL Inference WorkloadBreadth AISpecific GPU FPGA CPU Data-Parallel AI, HPC, Media & Graphics Multi-Purpose, Foundation for Analytics & AI CUSTOM SOFTWARE HARDWARE STORE CONNECT INTEL 3D NAND SSD Silicon Photonics Ethernet Intel AI Accelerator Intel AI Accelerator Goya (Habana Labs) Gaudi (Habana Labs) Coming soon! 2020: Ice Lake 2021: Sapphire Rapids
- 6. インテル株式会社 6 インテル® AI ソフトウェア: IAのポテンシャルを最大化するソフトウェア群 Red font products are the most broadly applicable SW products for AI users DeveloperTOols App Developers SW Platform Developer Machinelearning DeepLEarning Architect & DevOps Topologies&Models Data Scientist Frameworks Data Scientist Graph ML Performance Engineer Kernel ML Performance Engineer ▪ Intel Data Analytics Acceleration Library (Intel DAAL) ▪ Intel Math Kernel Library (Intel MKL) ▪ Intel Machine Learning Scaling Library (Intel MLSL) ▪ Intel® Deep Neural Network Library (DNNL) Deep Learning Reference Stack Data Analytics Reference Stack ▪ Intel Distribution for Python (SKlearn, Pandas) ManagementTools CPU CPU▪︎GPU▪︎FPGA▪︎専用 Containers
- 9. インテル株式会社 9 事例：中国人民解放軍総医院 様 ~AIにより調剤／与薬ミスの低減~ 背景 ソリューション概要 • 患者数増（2010年～2017年） −外来患者数：年平均5.71%増 −処方箋の調剤量：年平均7.63%増 • 医療リソース数は大きく変わらず ↓ • 薬剤師の作業負荷増大による調剤ミス 発生率や医療紛争などが増加 −15.4%が医薬品の外箱が紛らわしい 1. AI（LeNet-5）が医薬品の外箱を認識 （95％以上の認識精度） 2. 処方データとの突合 3. 結果をリアルタイムに薬剤師へフィー ドバック 4. 薬剤師による最終確認を実施 引用元: http://www.cnki.com.cn/Article/CJFDTotal-YISZ201903020.htm
- 10. インテル株式会社 10 事例：ノバルティス 様 ~ディープラーニングにより既存HCS手法を効率化~ 背景 ソリューション概要 • HCS（High Content Screening）手法は医 薬品開発において主要な自動分析手 法の1つ（下図参照） • ただし、技術的課題もいくつかある −次元削減、表現型の分類などに大量の事前知 識要 −各ステップでのﾊｲﾊﾟｰﾊﾟﾗﾒｰﾀ最適化が困難 • M-CNN*（Multi-scale Convolutional Neural Network）を適用し、HCSの各ステップを エンドーツーエンドに統合 * Godinez Navarro, William Jose and Hossain, Imtiaz and Lazic, Stanley and Davies, John and Zhang, Xian (2017) A Multi-scale Convolutional Neural Network for Phenotyping High Content Cellular Images. Bioinformatics. ISSN 1367-4811; 1367-4803
- 11. インテル株式会社 11 事例：江豊生物（KFBIO） 様 ~AIにより子宮頸がんのスクリーニング効率を向上~ 背景 ソリューション概要 • 子宮頸がんは悪性腫瘍の中でも早期 発見と予防が可能 • 手法としてLBP（Liquid-Based Cytologic Preparation）スクリーニングが良く用い られる • 中国では、毎年数千万例の新しいスク リーニング依頼が生じ、既存の医療リ ソースを圧迫 1. 画像分類モデル （Resnet50）と物体検出 モデル（Faster R-CNN）を 組み合わせたハイブ リッド構造にて陽性細 胞を検出 2. 最後は医師によるレ ビュー 画像の入力 画像の前処理 画像分類CNN 後処理 物体検出CNN 医師による精査 陽性予測 陰性予測 陽性識別 引用元: https://builders.intel.com/docs/aibuilders/kfbio-accelerates-cancer-detection-workloads-with-intel-ai-technology.pdf
- 12. インテル株式会社 12 各事例からの”Lessons Learned” 解決したい課題が明 確に定義されている 実装 手段 目的（課題） 結果 画像分類＋物体検出のハイブリッ ドモデルの構築とウィンドウ分割 M-CNNにより各ステップを一気 通貫型のE2Eモデルとして構築 LeNet-5と既存画像処理技術によ る分類モデルの構築 検査プロセスの高速化 既存HCS手法よりも少ない手間で 同様の分析を実施 薬剤師の調剤ミス低減、かつ、患 者満足度の向上 AI（ディープラーニング）を選定 AI（ディープラーニング）を選定 AI（ディープラーニング）を選定 検査依頼数 ＞ 検査実施リソース 既存HCS手法の実施に際して大 量の事前知識が必要（手間がかか る） 調剤ミス多発による医療紛争の増 加 江豊生物 ノバルティス 中国人民解放 軍総医院 課題ファースト AIリテラシ 効率化 AIの特性を把握し、道 具の一つとして利用し ている 結果として何らかの “効率化”を実現でき ている
- 13. インテル株式会社 13 AIの実用化を遅らせる日本企業の行動原理 引用元：日本企業におけるAI活用の可能性, PwC, 2018 1. 目的が不明瞭 「自社のこの業務をAIのこの技術を使うことでこう変革したい」といった明確な目的が不明瞭であり、 上から「AI」を使えと言われたので取り組んでいるケースが多い。 2. 実現したいこと、ではなく現在の技術で実現できること、から考えてしまう 「できること」から考えてしまうと、結局は１．と同じで「実証実験をしてみたが大して効果が出ないでは ないか」という結論に繋がり、AIの活用に対しネガティブな影響を与えてしまう。 3. 「試しにやってみる」が許されない イノベーションの急速な進化の中で、社会を巻き込み試行錯誤をしながら失敗しても再び挑戦できる プロセスが有効となるが、それを許容できない文化が存在する。
- 14. インテル株式会社 14 名言に学ぶ：課題設定の重要性 “If I had only one hour to save the world, I would spend 55 minutes defining the problem, and only 5 minutes finding the solution.” （もし地球を救うために1時間与えられたとしたら、55分かけて問題を定 義し、5分かけて解決するだろう） —Albert Einstein “AIを使うこと”ではなく、 問題を解決することを目的にすべし。
- 15. インテル株式会社 15 AIと上手に付き合うためのAIリテラシの養い方 1. AIの理学と実学 • 理学：AIは何が出来るのか概念レベルでもいいので理解 − 概念レベルであれば数式はほぼ必要なし • 実学：他者がどのようにAIを使っているのかの情報を収集 − Ledge AIのAI事例プラットフォーム、インテルのAI顧客事例サイトなど 2. AIの実体験 • Start Small：小さく始めてみて、軌道に載れば大きく展開、ダメでも小さく失敗 − クラウドサービス、“AIの民主化“ツールなどを積極活用。インテル® OpenVINO™ツールキットも是非！ • 短期的成果の実現*：小さな成功体験を積み重ねていく − 成功の積み重ねがAIへの過度な期待感／不信感を除去。AIを一つのツールとして捉える力を養う。 * 引用元：ジョン・P・コッター『企業変革力』日経BP社, 2002年
- 16. インテル株式会社 16 事例：東京デザインテクノロジーセンター専門学校 様 ソーシャルディスタンス検知（開発期間：2週間） ・ソースコード https://github.com/AAEONPROJECT/SocialDistance ・使用学習モデル https://docs.openvinotoolkit.org/2021.1/omz_models_intel_index.html ■ 実行環境 インテル® Atom® x7-E3950 4GBメモリ、64GB eMMC インテル® MyriadTM X VPU Ubuntu 18.04 LTS ■ フレームワーク OpenVINOTM ツールキット 2020.1 ■ 使用学習モデル (Intel Open Model Zoo) person-detection-retail-0013 （人検出） person-reidentification-retail-0200 （人数カウント、行動追跡）
- 17. インテル株式会社 17 DXを見据えて業務効率化の意義を改めて考える ▪ 現在のAI技術がもたらすものは多くの場合 “業務の効率化” ▪ 効率化の前提であるデジタル化および効率化を実現した知見を結集し て次なるステップへ ▪ その先に見据える“最適化”ではビジネスプロセスの再構築のみならず 企業や医療機関の垣根を超えたコラボレーションが可能に？ 組織化 共通化 効率化 最適化 デジタル化 DXにおける5つのステップ
- 18. インテル株式会社 18 事例：ペンシルバニア大学＋インテル ～Federated Learningによる組織を跨いだ学習～ ▪ 各医療機関にてプライバシーデータを共有せずに単一モデルの学習を推進 https://www.intel.ai/federated-learning-for-medical-imaging/ データオーナー（医療機関）間でのデータ共有を行うことなく単一モデルの学習を実施
- 19. インテル株式会社 19 各業界向けAI実践ガイド提供中！ 検 索 インテル AI実践ガイド
- 20. 20