| Project/Area Number |
22K07674
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 52040:Radiological sciences-related
|
|---|
| Research Institution | Juntendo University |
|---|
Principal Investigator |
和田 昭彦 順天堂大学, 医学部, 准教授 (90379686)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
明石 敏昭 順天堂大学, 医学部, 准教授 (40623492)
齋藤 尚子 順天堂大学, 医学部, 准教授 (60366341)
小杉 康夫 順天堂大学, 医学部, 助教 (90645235)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | Explainable AI / Attention network / 頭頸部癌 / 異常検知 / LSTM / 教習型AI / 生成AI / 画像診断支援 / 機械学習 / 異常検出 / 画像診断 / ビッグデータ / 注意機構 / 人工知能（AI) / 説明可能なAI |
|---|
| Outline of Research at the Start |
本研究では、人工知能技術(AI)のブラックボックス化への対策として、内部構造の可視化とともに「教習」型の学習改善機構を開発して、医用画像の信頼性の向上を目指す。大量データから「正常らしさ」を学習させて異常検知を行い、人間が学習内容を修正する「教習型」学習をわさせて医用画像AIの精度・信頼性向上を目指す。
|
| Outline of Annual Research Achievements |
本研究では、頭頸部MRIを対象とした「教習型」画像AIの構築を進めている。AIの注目領域（Attention Map）を人為的に修正・再学習させることで、判断根拠の可視化と診断精度の向上を図るものである。病変検出モデルとしては、T1強調像およびT2強調像から脂肪抑制T2強調像を画像変換により合成し、病変候補領域を抽出、さらに拡散強調像の信号異常を参考情報として活用した2段階構成を採用した。ネットワーク構造はLSTMベースの2D（2.5D）モデルと3D U-Netの双方を試行したが、いずれもDice係数は0.6程度にとどまり、現時点では精度向上に難渋している。また、当初予定していたJ-MID（日本医用画像データベース）からの大規模正常画像データの提供についても、先方システムとの連携上の問題から、現在までに収集できた症例数はごく一部に留まっており、異常検知AIの前提となる「正常学習」が困難な状況が続いている。これらの要因により、研究の進捗に一定の遅れを生じた。一方で、近年急速に進化した生成AI（大規模言語モデル）に注目し、本研究の応用的展開として生成AIを用いた診断補助・注目領域の説明生成への取り組みを開始した。これには、診断コンサルト文の生成支援や、画像から抽出された特徴の言語的説明を加える方向性が含まれる。これらの成果は、第54回日本神経放射線学会および第3回日本医用画像電子情報・人工知能研究会などで3件の学会発表を行い、現場からの関心も高かった。現在は、画像ベースの機械学習と生成AIベースの診断支援の融合による、次世代型の信頼性の高い教習型AIの再設計を進めている。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
LSTMを用いた2D（2.5D）および3D U-Netベースの病変検出モデルを構築したが、いずれもDice係数で約0.6程度に留まり、精度が安定せず継続的なパラメータ調整や前処理条件の見直しが必要となった。また、本研究の要である正常画像に基づく異常検知AIの構築についても、頭頸部MRIにおける正常例の収集が極めて困難であることが明らかとなった。これは、当該領域のMRIが多くの場合、症状や腫瘍の疑いを前提に施行されるためであり、脳MRIに比して有所見率が高い。さらに、機種や施設による撮像条件や画質差が大きく、個人差も大きいため、機械学習の学習安定性や汎化性能に大きな影響を及ぼしている。加えて、J-MIDからのデータ提供においても、技術的な連携課題により十分な症例数の授受が達成できていない。こうした要因から進捗に遅れが生じた。一方で、生成AI（大規模言語モデル）の技術進展が著しく、注目領域の説明生成や診断補助など、本研究との親和性が高い応用が現実的になりつつあるため、研究リソースの一部を生成AI関連の検討に再配分した。現在は、生成AIと従来型モデルを組み合わせた新たな診断支援構造の再構成を進めている。
|
| Strategy for Future Research Activity |
今後は、機械学習モデルの精度改善と、生成AIの診断補助機能の統合という二軸で研究を進める。まず、LSTMおよび3D U-Netをベースとした病変検出モデルについては、前処理条件の調整やマルチモーダル画像（T1、T2、拡散、脂肪抑制T2）の統合的利用による精度向上を目指す。特に、脂肪抑制像の画像変換精度の評価指標を再検討し、より病変の視認性を反映する設計へと改良する。また、正常画像を用いた異常検知AIの基盤整備に関しては、J-MIDとのデータ連携体制の改善を図るとともに、自施設の匿名化データを用いた補完的な正常データセットの構築も検討する。一方で、生成AIの応用については、注目マップに対する言語的説明生成や、診断コンサルト文の自動生成支援といった構造化タスクに着目する。既に国内学会で発表した初期成果をもとに、画像・テキスト連携を行うハイブリッドAIのプロトタイプを構築し、評価指標を設定したうえで性能検証を行う。最終年度には論文化・学会発表に加え、実臨床への応用可能性を議論する段階に持ち込みたいと考えている。
|
