Sprint 15
- 1. AIと医療系画像について
- 2. どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参照文献で読んだのをここにお書き Trainデータ：28万4335人分の患者データ Testデータ：1万2026人の患者のデータセットと999人の患者の 網膜画像 網膜画像のスキャンにより、迅速かつ安価に、体に負担をかけ ない方法で心血管疾患のリスクを診断できるようになる。 概要：ディープラーニングを介した網膜眼底画像からの心血管 系危険因子の予測 ・心血管系危険因子 喫煙習慣の有無、血圧、年齢、性別など Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning （2018）Ryan Poplin, /Dale R. Webster 日付 ネットワーク：事前学習とInception v3(画像認識モデ ル) 分類：性別 喫煙歴 回帰：年齢 BMI ⾎圧 HbA1c(ヘモグロビン) ・45度の⾓度の画像のみ適⽤ ・⽐較的データが少ない ・脂質(悪⽟コレステロールなど)に関する情報が⽋損している ・喫煙者に関するデータが不正確(⾃⼰申告、時期を明確化し ていない)
- 3. どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参照文献で読んだのをここにお書き Trainデータ：乳部病理画像270枚 Testデータ：乳部病理画像108枚 ・転移性の腫瘍は身体の別の部位で新たな腫瘍を形成する が、これは検知が困難なことで知られている。 ・試験では検出精度の尺度である ROC 曲線下面積 （AUC）で99％を達成した。これは人間の病理医を超える ものである。 ・病理医の生産性の向上につながる。 概要：人工知能に基づいた乳癌の節転移検知 LYNA ：Lymph Node Assistant（リンパ節アシスタント） Artificial Intelligence–Based Breast Cancer Nodal Metastasis Detection: Insights Into the Black Box for Pathologists （2018）Yun Liu, /Martin C. Stumpe 日付 Inception-v3(画像認識モデル) ・全40の転移を誤検知なしで正確に分類 ・気泡や処理不良、出血、過度の染色というような顕微 鏡写真の乱れにも影響なし
- 4. どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参照文献で読んだのをここにお書き Trainデータ：アルツハイマー患者の脳MRI画像 Testデータ：脳MRI画像 出力：クラス分類 Alzheimer’s Disease (AD)、Late Mild Cognitive Impairment (LMCI), Early Mild Cognitive Impairment (EMCI)、Normal Cohort (NC) 患者がアルツハイマーか軽度認知障害、正常を見抜けることが わかった。 概要：脳MRI画像を用いて「ResNet」にて「アルツハイマー罹患 患者の分類」 Residual and Plain Convolutional Neural Networks for 3D Brain MRI Classification （2017）Mikhail Belyaev 日付 ネットワーク：Res-Net、VoxCNN 今後はワンステップでの複雑なMRIデータのワンステップ分析 の開発
- 5. どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参照文献で読んだのをここにお書き Trainデータ：本物の眼球血管マスク画像 出力：眼球血管マスク画像のような画像(X) Trainデータ：本物の眼球画像と本物の眼球血管マスク画像 入力：眼球血管マスク画像のような画像(X) 出力：Xとペアになる眼球画像のような画像 医療画像は患者のプライバシー問題など法的な課題がある。 マスキングすることは病理医にとって大きな負担である。 生成した画像であればこの問題も解決できる。 概要：GANを二回用いて眼球血管マスク画像と眼球画像の生成 マスク画像：患者のプライバシーに配慮し、マスキングした画像 ＊医療データは要配慮個人情報のためマスキングが必要、データ 数の確保が難しい Synthetic Medical Images from Dual Generative Adversarial Networks （2017）Tejpal Virdi 日付 ネットワーク：GAN GANでの画像⽣成を２段階にすることで質の⾼い画像を⽣成で きた。
- 6. どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参照文献で読んだのをここにお書き Trainデータ：GANによって小さなデータセットから生成された 肝臓腫瘍病変画像 Testデータ：実際のCT画像を３種類の病変(胚のう、転移がん、 肝血管腫)に分類 機械学習を適用できるほどの医療画像のデータのサンプル数が 少ない。 また診断医にも大きな負担になっていた。将来的には種々の問 題を解決できるだろう。 概要：GANによる肝臓腫瘍病変画像の生成 CNNによる生成した画像を学習 CNNによる未知の病変画像を分類 GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification （2018）Maayan Frid-Adar, /Hayit Greenspan 日付 ネットワーク：DCGAN 今までは肝血管腫と転移癌の分類が難しかったがGANで 生成した画像を用いると精度と感度が向上した。