| Project/Area Number |
24K20778
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 60080:Database-related
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
陳 崢 大阪大学, 産業科学研究所, 特任助教(常勤) (70962843)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2026: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2025: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2024: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | 人工知能 / データマイニング / 機械学習 / 医用生体工学 |
|---|
| Outline of Research at the Start |
本研究では、様々な生体信号時系列データの潜在的な変化過程をモデリングし、得られた特徴をラベルなしで要因分析することで、疾患の早期予測を高精度かつ自動的に行うための技術基盤の開発を目的とする。申請者がこれまでに開発した教師なし深層学習技術を発展させ、生体信号データ内部の関係・構造を抽出し、生体特徴と疾患の複雑な相互作用を分析することにより、臨床環境での実用化を目指した、疾患の早期予測の汎用アルゴリズムを開発する。
|
| Outline of Annual Research Achievements |
「生体信号データの複合的な生体特徴を学習し、重要かつ特徴的なパターンを抽出する手法を開発する」
既存の生体信号データの特徴抽出手法は、主にトレンドや周期の特徴などの時間ダイナミクス学習に焦点を当てている。一般に、生体信号データは常に変化するため、ランダムに現れる特徴の識別と分析が必要となる。例えば、ランダムノイズに近づくEEGデータの解析では、ローカルな周波数情報の解析が必要である。申請者が開発した周波数情報解析技術と非線形時系列解析技術を、生体信号の局所・動的特徴を抽出技術を開発する。この成果はデータマイニング分野のトップ会議であるKDD 2024に採択された。
「マルチチャンネルデータの特徴抽出と動的時空間モデリング」
生体信号データは測定技術と臨床の環境の異同に極めて敏感である。例えば、マルチセンサーの相互関係はデータ上で複雑に現れるため、その繊細な影響をモデリングすることが、高度な解析にとって極めて重要となる。そこで本研究では、健康状態から疾病状態への変化過程をモデル化するために、バイオメディカル時系列の代表的な特性を学習できる新しい基礎技術を開発する。さらに、グラフニューラルネットワークを用いた、マルチチャンネルの相互関係をモデル化するための自動的なグラフ学習フレームワークを導入することにより、複雑なデータへの対応を実現する。この成果は人工知能分野のトップ会議であるAAAI 2025 Oral Presentationに採択された。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
当初の計画に沿って順調に進行しており、第一段階の研究目標を概ね達成しました。現在、第二段階の研究に向けた準備も整っており、今後はさらに本格的な分析および応用展開に着手する予定です。
|
| Strategy for Future Research Activity |
「特徴と疾患間の要因分析と自動的な早期予測技術の開発」
医療分野における既存研究では、主に検出タスクや、正常状態と疾患状態の分類に焦点を当てているが、近年は特に発作や致死的不整脈のような悪性疾患の早期予測に重点が移りつつある。そこで第二段階の研究では、生体の異常および疾患に関係する特徴（未病や不調、疾患発症に関わる有益かつ客観的な情報）を自動的に学習し、その特徴を用いて疾患の早期予測を目指す。さらに、特徴と疾患の関係を分析することにより、重要な生体情報を医師に提供する。
|
