Project/Area Number |
22K07681
|
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 | National Cancer Center Japan |
Principal Investigator |
小林 和馬 国立研究開発法人国立がん研究センター, 研究所, 研究員 (00747610)
|
Project Period (FY) |
2022-04-01 – 2027-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2026: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2025: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2024: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2023: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2022: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
|
Keywords | 医用画像 / 合成データ / 自己教師あり学習 / 生成データ / 生成モデル |
Outline of Research at the Start |
データの少数性という課題は、高い安全要求が課せられる医用人工知能技術において解決するべき根本的な課題である。特に、実臨床において医師が判断を迷うのは、疾患のcommonな臨床像ではなく、uncommonなそれに遭遇するような状況である。従って、潜在的な疾患のサブクラスに対して、普遍的に認識性能が担保されるような学習アルゴリズムを開発することが重要である。そこで本研究においては、生成データを活用した医用画像アルゴリズム開発のための基盤技術を確立する。これにより、ロングテール部分に位置するuncommonな表現型であっても、疾患に対する認識性能が十分に担保された学習アルゴリズムを実現する。
|
Outline of Annual Research Achievements |
大規模なデータセットを整備することが難しい医用画像においては、データの少数性が人工知能開発における大きな障壁となっている。特に、データの少数性は、疾患の表現型の中でも、いわゆるロングテール部分に位置するuncommonな症例についての有効サンプル数を減少させる。そのため、診断支援システムの本来的なニーズが高いuncommonな症例に対して、深層学習モデルの識別性能を担保することが困難であった。本研究においては、生成データを活用した医用画像解析アルゴリズムの技術基盤を確立することで希少な症例を補完し、更に、患者のプライバシー保護、データセットのバイアスの解消、流通可能な医療データの作成などを実現する。特に、臨床医学においては高度に体系化された専門知が存在する。そこで、医師の知識を生成過程に直接反映させられるような、専門知と相補的な医用画像の生成アルゴリズムを開発することを目的とする。そのための要素技術の一つとして、我々は医用画像中の任意の解剖学的構造に対して、ユーザが自在に編集することを可能にするアルゴリズムを開発した。具体的には、自己教師ありセグメンテーションによって医用画像中の解剖学的構造に一致したセグメンテーション・ラベルを獲得し、このセグメンテーション・ラベルをユーザが編集することによって、任意の解剖学的構造を編集することが可能となった。この技術により編集された合成画像と、編集されていない本物の画像をランダムに臨床医に提示したところ、平均的には本物の画像と見破ることが困難なレベルでの医用画像の生成ができることを示した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
要素技術の一つとして、我々は医用画像中の任意の解剖学的構造に対して、ユーザが自在に編集することを可能にするアルゴリズムを開発した。具体的には、自己教師ありセグメンテーションによって医用画像中の解剖学的構造に一致したセグメンテーション・ラベルを獲得し、このセグメンテーション・ラベルをユーザが編集することによって、任意の解剖学的構造を編集することが可能となった。この技術により編集された合成画像と、編集されていない本物の画像をランダムに臨床医に提示したところ、平均的には本物の画像と見破ることが困難なレベルでの医用画像の生成ができることを示した。本結果については論文化し、現在査読を受けている最中である。
|
Strategy for Future Research Activity |
今後、特定の所見を有する医用画像をスケーラブルに生成し、当該生成データを用いて訓練した深層学習モデルによってデータの少数性に起因する課題が解決できることを、実臨床のデータを使って検証する。最終的には、次世代の医用人工知能開発の基盤としての生成データの利活用を推進していく。
|
Report
(1 results)
Research Products
(7 results)