2021 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 – 2023-03-31
|
| 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 |
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（Tele-ICU）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がある。天井設置型カメラから得られた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）とを突合して機械学習を行う。年度毎に収集されるデータを用いて、正答率を高めて臨床応用に耐えうるモデル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ライン等の人工物が対象者の顔の付近に多く、その状況下でも対象者の顔パーツを認識可能なモデル作成の必要性を明らかとした。2年目は、顔、及び眼にフォーカスして、人工物存在下でのそれらパーツの認識正答率を複数の機械学習・物体検知モデルを用いて性能の比較を行った。最も高性能であったモデルでも画像中において非常に小さな物体となる眼の検出精度が50%程度と課題が残った。一昨年度はモデル精度向上のための学習用データ収集を目標とした。並行して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）］のうち、AとVPUとの2つの群を判別するモデルの作成を目標とした。COVID-19パンデミックの影響から症例数が減少し、研究の遅れを招いた。昨年度はこれまでと同様に、眼の物体検出性能の向上、並びに前述のAVPUスコアをAとVPUの2群に分類して評価できるモデルの作成を行なった。
|
| Current Status of Research Progress |
Current Status of Research Progress
4: Progress in research has been delayed.
Reason
これまでのモデルによる眼の検出性能の向上と、昨年度と同様により簡易的な[A]と[VPU]の2群に識別するモデルの確立を目標とした。
眼の検出性能向上にあたり、より小さな物体検出に適したFaster R-CNN（Region Based Convolutional Neural Network）を採用した。ランダムに用意した過去の患者画像を用い、開眼・閉眼を区別するアノテーションを実施した。これらのアノテーションデータを8:2の割合で分割し、Google社が公開するObject Detection APIを用いて開眼と閉眼を物体検出するモデルを学習させた。昨年度のモデルと比較して物体検出性能の指標であるmAP（mean Average Precision; 0.0から1.0で評価され、1.0に近いほど検出性能が高い）が上昇した（Faster R-CNN: 0.90 vs.. SSD: 0.69）。
次に、Faster R-CNNベースのモデルを初期モデルとして、医療従事者による[A]と[VPU]の評価との一致度を評価した。医療従事者による評価が行われた時点の前後10分間の画像を抽出して、開眼・閉眼の判定を行い、開眼の割合が5%以上の場合、Aと評価した。また、開眼の割合の閾値を50%以上に変化させた場合の評価も同時に行なった。患者16名、計63回の医療従事者による評価との正解率は、閾値を5%以上とした場合83%であった。閾値を50%以上とした場合は51%の正解率であった。
一致率の検証が小規模な症例数となっているのは、これまで取得した症例の多くがモデル学習のために使用済みであり、バイアス排除の観点からデータ再利用が出来ないことに起因する。今後は患者同意の取得数の増加を目指す他、ベッドサイドでのAVPUスコアの評価数の増加も検討する。
|
| Strategy for Future Research Activity |
今年度は初期モデルの実臨床応用の可能性を示したことを受け、眼等の物体検出性能のさらなる向上に加え、実用化に向けモデルの軽量化を目標とする。初期モデルは、物体検出の推論を行う際に大きな処理負荷がかかる。今後鎮静・鎮痛スケールの予測を行うにあたり、表情に加え体動検出モデルの追加が必要となることも予想されるため、複数種類のモデルが同時にサーバー上に実装される場合を考慮して処理負荷の軽減が必要である。Single Shot系の物体検出アルゴリズムでの物体検出性能の向上や、モデルを量子化するディープラーニングフレームワークの活用も検討する。
また、AVPU認識のプロトタイプモデルの妥当性の検証と一致率の向上を継続して行うために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。予算を人件費・謝金に多く充てることでデータの収集・解析を促進させる考えである。
|
| Causes of Carryover |
研究計画の遅れに伴い委託業務のための人件費・謝金の支出を行う必要のある時期が後ろにシフトしてることが大きな理由である。また、研究者および研究協力者などがデータ整理・学習用データ作成といった作業に携わる業務量が予想よりも多くできたことにより、人件費・謝金などの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、旅費や参加費などが前年度に引き続き見積よりも少なくなった。本年度は、上述のような計画に基づき人件費・謝金に残りの支出を当てる事を見込んでいる。また、経年による影響を受ける物品の更新など計画外の事項への対応に使用する可能性も想定している。
|
