| Project/Area Number |
21K11960
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Fujita Health University (2023)
Nagoya University (2021-2022) |
|---|
Principal Investigator |
岡地 祥太郎 藤田医科大学, 医学部, 講師 (30742407)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
森 健策 名古屋大学, 情報学研究科, 教授 (10293664)
中村 彰太 名古屋大学, 医学部附属病院, 講師 (20612849)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
Fiscal Year 2021: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | 機械学習 / 超音波内視鏡 / 気管支鏡 / 超音波 / Mixed reality / AI / 超音波気管支鏡 / 診断支援 |
|---|
| Outline of Research at the Start |
本研究の目的は、人工知能(AI)を用いて気管支鏡超音波画像を解析し、診断結果、合併症発生などを予測するソフトウェアを開発し医師の判断を支援することである。本研究では動画の気管支鏡超音波画像や診断結果などの情報を収集し、データセットを作成する。データ前処理を行い、AIモデルの構築、精度の検証を行う。最終的に気管支鏡検査時にリアルタイムに診断や合併症発生の予測を表示し、医師の判断を支援するソフトウェアを開発する。多施設前向き臨床試験でその 精度を検証し成果を学会、論文等で広く発表する。
|
| Outline of Annual Research Achievements |
本研究では、AI技術を活用した気管支腔内超音波断層法（EBUS）画像解析の開発とその臨床応用を目指している。EBUSは、気管支鏡を用いて肺や周囲のリンパ節を観察・評価するための重要な診断ツールだが、その画像の解釈は医師の経験に依存しており、診断のばらつきが問題となる。これを解決するために、AIを用いてEBUS画像の自動解析を行い、診断精度の向上と診断時間の短縮を図ることを目的とした。
今年度の成果を以下に示す。①データ収集と前処理：所属医療機関から、良性腫瘍、悪性腫瘍のEBUS画像データを収集した。これらの画像データは、ノイズ除去や画質向上のための前処理を行い、AIモデルの学習に適した形式に変換した。②AIモデルの開発：ディープラーニングを基盤とした画像解析モデルを開発した。具体的には、ResNet、DenseNetなどを用いたモデルを構築した。③モデルの評価：開発したAIモデルの評価を行い、5分割交差検証により性能を測定した。今後は、さらなるデータ収集とモデルの改良を行い、より多様な症例に対応できるようにする。また、実際の臨床現場での運用データを基に、フィードバックを取り入れた継続的な改良を進め、最終的には広範な医療機関への導入を目指す。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
研究は全体的に進行しているが、症例数の制限により、より多くのデータ収集が必要となり、一部で遅れが生じている。具体的には、データ収集、前処理、AIモデルの開発および評価はおおむね計画通り進行しているが、一部の症例で追加のデータ収集が必要となっている。良性腫瘍、悪性腫瘍のデータを収集したが、さらなるデータ収集が必要である。収集したデータは、ノイズ除去や画質向上のための前処理を行っている。今後もデータ収集を進めながら、研究計画を調整していく。
|
| Strategy for Future Research Activity |
データ収集の強化：現在の研究では症例数の制限が課題となっているため、収集する医療機を追加し、より多くのデータを収集する。これにより、AIモデルの汎用性と精度を向上させることが期待される。AIモデルの改良：収集した新たなデータを基に、既存のAIモデル（ResNet、DenseNet、DilatedNet）の性能を更に向上させる。異なる病変の識別能力を高めるため、パラメータの調整などを検討する。臨床試験の拡大：開発したAIモデルを臨床現場での試験運用を拡大し、様々な医療機関での実用性を検証する。これにより、実際の診断精度と効率の向上を目指す。課題への対応：データ収集の遅延やモデルの精度向上に関する課題に対して、定期的な評価と改善を行い、柔軟に対応する。特に、データの多様性確保と前処理方法の最適化に注力する。研究計画の変更：必要に応じて、研究計画を見直し、適切なリソース配分とスケジュール調整を行う。これにより、研究の進行をスムーズに保ち、目標達成に向けた取り組みを継続する。
|
