2020 Fiscal Year Research-status Report
development of automatic diagnostic system of electromyographic discharges by audio information and artificial intelligence
| Project/Area Number |
20K07877
|
|---|
| Research Institution | Kanazawa Medical University |
|---|
Principal Investigator |
野寺 裕之 金沢医科大学, 医学部, 准教授 (40363147)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 針筋電図 / 音特徴量 / 人工知能 |
|---|
| Outline of Annual Research Achievements |
神経・筋疾患の患者で行われた針筋電図検査で得られた安静時放電のデータベース化し、臨床的に重要な放電を分類した。分類された放電ファイルを2秒ごとに分割した。手法１）それぞれの放電ファイルを用いて音特徴量をソフトウェアにより抽出した。機械学習的手法を用いて6種類の安静時放電の判別を試みたところ、正判別率は90.4%であった。具体的には以下の放電を対象とした（endplate potential; fibrillation potential and positive sharp wave; myotonic discharge; noise artifact; complex repetitive discharge; fasciculation potential)。 Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R.
Classification of needle-EMG resting potentials by machine learning. Muscle Nerve. 2019;59:224-228.手法２）手法１と同一の放電データファイルを用いて実験を行った。針筋電図放電から得られた音情報をメルスペクトログラムに画像変換を行い、得られた画像を教師データとテストデータに分割した。それらのデータを用いて畳み込みニューラルネットワーク（CNN)を用いてディープラーニングを行った。画像データ増幅を行ったところ、正判別率は100%まで増加した。Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R. Deep learning for waveform identification of resting needle electromyography signals. Clin Neurophysiol. 2019;130:617-623. 実用化に向けてデータ数を増やし、また判別力の高いディープラーニングネットワークを検討している。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2つの異なる手法を用い、安静時放電の判別を行った。以下に記載する参考文献として示す通り、英文雑誌2報に掲載されたことより、研究はおおむね順調に進展していると考えている。引き続きデータの集積を行っているが、稀な放電パターンに対するデータ数が伸び悩んでいる。 参考文献 Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R. Classification of needle-EMG resting potentials by machine learning. Muscle
Nerve.2019;59:224-228.
Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R. Deep learning forwaveform identification of resting needle electromyography
signals.ClinNeurophysiol. 2019;130:617-623.
|
| Strategy for Future Research Activity |
安静時放電6種類を用いて深層学習を行う人工知能的判別法は高精度で可能であることが本年度の研究で示された。
今後の課題としては、筋原性および神経原性放電の鑑別が可能であるか、データを蓄積して検討を行う予定である。臨床データのみの集積では限界がある可能性
も考え、動物モデルからのデータ収集も予定している。すでに発表した英語論文の内容を踏まえ、データ数を多くし、別の深層学習ネットワークにても判別を試
みていく。
|
| Causes of Carryover |
機器性能の向上により、当初予算額より安価にコンピュータシステムの構築が可能となった。余剰金に関して学習データ数を増やすために動物実験に使用する予定である。
|
