| Project/Area Number |
23K17434
|
|---|
| Research Category |
Grant-in-Aid for Challenging Research (Pioneering)
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Medium-sized Section 56:Surgery related to the biological and sensory functions and related fields
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
大鹿 哲郎 筑波大学, 医学医療系, 教授 (90194133)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
川崎 良 大阪大学, 大学院医学系研究科, 教授 (70301067)
木内 岳 筑波大学, 附属病院, 病院講師 (70898478)
上浦 尚武 兵庫県立大学, 工学研究科, 教授 (80275312)
田淵 仁志 広島大学, 医系科学研究科(医), 寄附講座教授 (80364008)
三宅 正裕 京都大学, 医学研究科, 特定講師 (90812793)
三上 幸夫 広島大学, 病院(医), 教授 (80422129)
|
|---|
| Project Period (FY) |
2023-06-30 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥25,740,000 (Direct Cost: ¥19,800,000、Indirect Cost: ¥5,940,000)
Fiscal Year 2025: ¥5,850,000 (Direct Cost: ¥4,500,000、Indirect Cost: ¥1,350,000)
Fiscal Year 2024: ¥5,980,000 (Direct Cost: ¥4,600,000、Indirect Cost: ¥1,380,000)
Fiscal Year 2023: ¥13,910,000 (Direct Cost: ¥10,700,000、Indirect Cost: ¥3,210,000)
|
|---|
| Keywords | 協調機械学習 / 人工知能 / 眼内レンズ / 白内障手術 / federated learning / ビッグデータ |
|---|
| Outline of Research at the Start |
協調機械学習技術を医療に導入し，欧米の巨大IT企業や中国・アジアの中央集権的・超大規模データベースに対抗しうる，日本ならではの精密かつ効率的なビッグデータ・人工知能（AI）システムを作成する方法を確立する．本手法は，厳重な管理が求められる個人情報（医療データ）を施設の外部に持ち出すことなく，演算パラメータだけを交換する極めて優れた機械学習システムであり，多施設を結んだrobu stなAIアルゴリズム作成を可能にする．分散集積された事前処理後データを統合・ビックデータ化して汎用AIを作ることも，単独施設最適化AIを作ることもできる．
|
| Outline of Annual Research Achievements |
協調機械学習（Federated Learning：以下FL）は，各施設における学習結果のパラメータ情報のみをやり取りすることで，仮想的に多施設データに基づいた学習を行うだけでなく，データに重みづけをすることで，施設ごとの最適化を行うこともできる．データ自体を施設外に持ち出す必要がないため，プライバシーを保持しつつ，多施設に存在する大量の個人情報に基づいた学習が可能である．
本年度は，白内障手術後の屈折誤差予測モデルの構築とその精度検証，必要教師データ数の推定に関する検討を推進した．学習に使用するデータ数を変化させながら，単独施設のデータを学習に用いたモデル（単独AIモデル）とFLにより他施設からのデータも取り入れたうえで最適化を行ったモデル（最適化AIモデル）を作成し，精度を検証した．学習に使用するデータ数が増大するに伴い，いずれのモデルの予測精度も向上する傾向であること，最適化モデルの方が単独モデルより予測精度が高く，FLが精度向上に有効であることを確認できた．特に，学習データ数が少ない時点では単独モデルより最適化モデルで精度が大きく向上し，データ数が増大するにつれその差が減少する傾向を認めた．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
これまでに総計約3000症例分の実際の診療情報（術前角膜屈折値，眼軸長，術後屈折値，使用した眼内レンズ情報など）を収集し，各施設に昨年導入しネットワークで接続されているAI解析用GPUにデータを投入した．LFによるモデル作成を開始し，各モデルにおける予測精度を平均絶対値誤差を使用して比較可能となった．
一方で，従来型の（AIを使用していない）予測手法と比較しても，予測精度が不十分であることや，予測精度の変動が大きく不安定なモデルであるといった課題が確認された．現在，モデル作成においてノイズになると考えられる外れ値症例の特徴を抽出し，精度低下の原因を検討している．同時に，学習モデル作成方法自体の変更による精度改善が得られないか検討する予定である．
|
| Strategy for Future Research Activity |
予測精度・モデル安定性の向上のために，①登録データの絶対数を現在の1.5倍（総計4500症例分）程度まで増加させる，②恣意性に注意したうえで，除外基準の見直しを行う，③これまでにモデル作成に使用していない，新たな術前検査値を学習に追加する，④学習モデル作成方法の変更を試みるなどを検討している．
また，現段階では学習データ数を増やすほど精度が向上する段階にあり，安定したFLを実現するために必要な症例数の同定に至っているとは言えない．登録データ数の増加によりこの課題も解決する可能性があると考えている．
|
