| Project/Area Number |
21K15843
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 52040:Radiological sciences-related
|
|---|
| Research Institution | Nagoya University |
|---|
Principal Investigator |
伊藤 倫太郎 名古屋大学, 医学系研究科, 特任助教 (80813336)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2022: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2021: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
|---|
| Keywords | 自然言語処理 / 画像診断報告書 / 放射線医学 / 人工知能 / 画層診断報告書 |
|---|
| Outline of Research at the Start |
画像診断を行う放射線科読影医にとってCTやMRIなどの画像の読影を行い、診療を行う医者に必要な情報を提供することが主要な仕事の一つです。多種多様な画像、経時的な画像変化、臨床情報を含めた文書情報を把握した上で、報告書を作成する必要があります。日常的に大量の画像診断報告書を記載する必要があり、1件あたりに時間をかけて読影を行うことは難しいのが現状です。本研究では2018 年末にGoogle 社の発表したBERTを始めとする最先端の自然言語処理技術を画像診断に適応するものです。AIを使用した自然言語処理を用いて画像診断報告書の解析を行い、業務の補助となる最適な情報の提供について検討します。
|
| Outline of Annual Research Achievements |
放射線科読影医にとって医用画像の読影を行い、臨床医に最適な情報を提供する画像診断報告書を作成することが主要な職務の一つである。その際には多種多様な画像、経時的な画像変化、臨床情報を含めた文書情報を把握した上で、報告書を記載する必要がある。しかし、放射線科読影医は日常的に大量の画像診断報告書を記載する必要があり、1件あたりに時間をかけて読影を行うことは難しいのが現状である。本研究では2018 年末にGoogle 社の発表したBERT (BidirectionalEncoderRepresentations from Transformers) を始めとする最先端の自然言語処理技術を画像診断学に適応するものである。AIを使用した自然言語処理を用いて放射線画像診断報告書の解析を行い、診断の補助となる最適な情報を提供することを目的とする。
2022年度にChat-GPTが出現し、自然言語処理における大幅な精度向上があり、医療分野への応用が多数研究されている。これを用いて研究方法の修正を行った。
2023年度には既存のデータべースからの情報の追加抽出、自然言語モデルを使用して、所見からImpressionの表現、所見から体系的な所見の抽出、Impressionや所見から病勢評価の評価を継続して行っている。Impressionの抽出制度について学会で報告を行った。
また、自然言語処理技術を含めた人工知能技術について情報収集を行い、解析を行った。これらの解析を通して得られた知見を通して、招待講演を7つ、寄稿を2つ行った。これらを通して医学分野におけるAIの技術的、知識的な普及に広く貢献した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
多数の自然言語モデルを対象に比較実験を行ったところ、分野における精度のばらつきが存在することが判明した。このため、自然言語処理モデルの得意・不得意分野の解析を行うために、データベースの修正を行う必要があり、時間を要した。
|
| Strategy for Future Research Activity |
自然言語処理モデルを用いたベンチマークデータベースを作成し、自然言語処理モデルの比較を行う。その後、本研究データベースを用いた解析方法に修正を加え、最終的な総括を行う予定である。
|
