2019 Fiscal Year Research-status Report
人工知能を用いた鎮静及び鎮痛スケールの予測モデルの構築
| Project/Area Number |
18K08896
|
|---|
| Research Institution | Yokohama City University |
|---|
Principal Investigator |
横瀬 真志 横浜市立大学, 附属病院, 講師 (70614402)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
高木 俊介 横浜市立大学, 附属病院, 准教授 (90644823)
|
|---|
| Project Period (FY) |
2018-04-01 – 2022-03-31
|
| Keywords | 人工知能 / 表情認識 / 遠隔集中治療 / 鎮静スケール |
|---|
| Outline of Annual Research Achievements |
通信情報技術の応用は集中治療分野における医療需給バランスの是正に役立つ可能性がある。我々はネットワークにより医療情報を集約化した遠隔集中治療室の構築を介して医療従事者の負担軽減や医療の質の向上を最終的な目標としている。その中の一つの機能として本研究の目指す鎮静・鎮痛スケールの予測モデルを持つ人工知能の開発である。本研究では天井設置型カメラから得られるICU患者の表情画像をデータベース化し、同時刻の鎮静・鎮痛状態を評価する各種スケールとバイタルサイン（血圧、心拍数、 酸素飽和度、呼吸回数、体温）とを突合して人工知能に機械学習させる。年度ごとに収集されるデータは学習用と正当性の検討とに用い、正答率を高めて臨床応用に耐えうるモデルの作成を目的としている。
初年度ではICU患者の特性上酸素マスクや点滴カテーテルなどの人工物が対象者の顔の付近にあることが多く、そのような状況下においても対象者の目や鼻などのパーツを認識可能とするモデル作成が必要であることが分かった。昨年度は、顔、及び眼にフォーカスして、人工物がある状況下におけるそれらパーツの認識正答率をいくつかの機械学習[1 Haar cascade、2 Multi-task Cascaded Convolutional Neural Networks （オープンソース）、3 Single Shot MultiBox Detector（SSD）（ICUデータを用いて事前訓練されたモデル）]を用いて比較した。取り掛かりとして顔がカメラに正対し画質の良い明るい時間帯のデータに限定して行った。SSDは、他の2つよりも顔、および眼の検出の正答率が高かった。しかしながら、眼の認識はSSDでも50%程度であり、更なる改善が必要であった。また、オープンソースのモデルでは、実臨床使用に耐えうるモデルの作成は難しいことが明らかとなった。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
昨年度はAVPUスコア［Alert（意識清明）Verbal（声かけに反応） Pain（疼痛刺激に反応） Unresponsive（反応なし）］評価を行うプロトタイプモデルの作成、および初期モデルが完成した場合には、その一致度を評価するための検証を行う計画となっていた。
対象者からの同意取得数は昨年度を通じて約170例取得された。このリクルート数は初年度と同程度であるが予定された同意取得数よりも若干の遅れがある。このうち解析に用いることができたデータ数は約140症例であり、脱落の主な理由は同意取得後に集中治療室以外への入室となった対象者であった。収集した画像データは解析用のパソコンに保存したうえで、学習用データを作成するための編集作業を行った。
初年度において、カメラの設置位置に対する対象者のベッド上での特定の体位によっては、顔の向きやカメラに映る顔の面積、および酸素マスクや点滴カテーテルといった医療器具、撮影の時間帯などの要因が機械学習の段階で影響を及ぼすことが示唆された。そのような特殊な条件下においても顔や眼を認識可能なアルゴリズムの構築を模索した。以下に示す3つの機械学習[1 Haar cascade、2 Multi-task Cascaded Convolutional Neural Networks （オープンソース）、3 Single Shot MultiBox Detector（SSD）（ICUデータを用いて事前訓練されたモデル）]を用いて顔、および眼の認識正答率を比較した。
ICUデータで事前訓練されたSSDモデルは、他の2つよりも顔、および眼の検出の正答率が高く、オープンソースのモデルでは、実臨床使用に耐えうるモデルの作成は難しいことが明らかとなった。しかしながら、眼の認識はSSDでも50%程度であり、更なる改善が必要であった。
|
| Strategy for Future Research Activity |
本年度は前年度に引き続き、収集された画像データを用いて、顔及び眼の認識正答率の向上を目標として、モデルの更なる学習とそれに並行してアルゴリズムの改善を行っていく。ICUという特殊な環境下ではオープンソースの顔認識アルゴリズムをベースに意識レベル評価の予測モデルの作成は困難であるため、予定よりも初期モデルの作成に遅れが生じている。しかし、実臨床の画像データをデータベース化していることは我々の研究においてストロングポイントである。なぜならば、ボランティアの協力で得られるシミュレーションベースの画像データは均一なものとなりがちであり、実臨床で生じうる様々なノイズが含まれていないため、これらのデータをベースとした予測モデルが実臨床でも同じような効果を示すことが出来ない可能性があると考えている。
次に、鎮静スケール予測モデルであるが、AVPUスコアを予測モデルのアウトカムとした初期予測モデルの構築を目指すこととしているが、今年度はより簡易的にAとVPUの2群に識別するモデルの確立を目標と再設定し、今年度内にはプロトタイプモデル構築に目途を立てたい考えである。また、AVPU認識のプロトタイプモデル構築が本年度内に行えた場合には、その一致度を評価するための妥当性の検証を行っていく予定とする。この初期モデルの構築と並行して、対象者のリクルートを継続し、次年度以降にモデルの正答性向上のための機械学習に使用するデータ収集を継続して行っていく。
|
| Causes of Carryover |
人工知能の機械学習を委託するために必要な人件費・謝金が研究の進行上必要な段階まで至らなかったこと、およびデータ整理・学習用データ作成のための人件費・謝金を計上していたが、 研究者および研究協力者などが作業に携わる範囲内で行うことができた部分が多く、費用が予定の額に達しなかった。また、新型コロナウイルス感染の影響により学会活動に制限が生じたため、旅費が見積よりも少なくなった。次年度以降は、データの蓄積と人工知能の開発のための人件費・謝金が掛かることが見込まれることから、その領域への資金の使用を検討している。
|
