Adversarial Exampleを用いた新しい緑内障性眼底変化の特徴の発見

2023 Fiscal Year Research-status Report

• Project/Area Number: 23K11150
• Research Institution: Saga University
• Principal Investigator: 石川 慎一郎 佐賀大学, 医学部附属病院, 准教授 (00404129)
• Co-Investigator(Kenkyū-buntansha): 福田 修 佐賀大学, 理工学部, 教授 (20357891) ; 川口 淳 佐賀大学, 医学部, 教授 (60389319) ; 中尾 功 佐賀大学, 医学部, 講師 (70346899)
• Project Period (FY): 2023-04-01 – 2026-03-31
• Keywords: 緑内障 / 眼底AI診断 / Adversarial Example

Outline of Annual Research Achievements

１　緑内障診断CNNの作成：VGG16を用いて緑内障診断CNNを作成を行なった。データセットはkaggleから抜粋し，合計で3187枚の眼底画像から学習し，555枚のテストデータでテストを行なった。二つのアルゴリズムを使用して比較を行った結果，SGDでは正答率84.7%，Adamでは85.7%を示した
２　Adversarial Example（AE）のノイズ付与によるAIの診断能低下の実証：FGSMを用いてノイズ付与を実施し、ノイズの強さであるε値を高めるにつれて正答率が下がることを確認し、予測されたノイズ付与に出来ていることが確認した。ノイズ付与を行なった画像については、ノイズ付与前後でヒトの目視では判別が困難であり、AI診断の脆弱性となりうることを確認した。加えて，ノイズを付与したデータを加えて再学習することで，SGDを用いて学習すると精度が向上することが確認されSGDで学習したモデルの重みで作成したノイズを付与して、前述の脆弱性に対する耐久性の確保について確認された。
３　Grad-CAMの出力：AIの特徴抽出を明らかにすることを目的に，Grad-CAMを使用してヒートマップを作成し検討を行なった。この結果から緑内障を陽性と判断するときは視神経乳頭を，緑内障を陰性と判断するときは，網膜静脈付近や視神経乳頭の下部を特徴抽出部位として使用していることが確認された。

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

本研究の最初の目的である、AEをノイズとして付与することで、従来の緑内障診断AIの診断能が低下することが確認された。また診断能が低下した画像と元の画像で、ヒトでは判別ができないことが確認されたことから、当初の予測通りヒトとAIで異なる緑内障の特徴で判別していることが確認された。

Strategy for Future Research Activity

これまでの結果から、予定していた３次元データ作成と裸眼立体視システムを導入することで、特徴量を増加させ、最終的な目的であるヒトとAIの診断差によるあたらしい緑内障特徴抽出を目指す。

Causes of Carryover

半導体不足によるワークステーションとの調達遅延と裸眼立体視モニターの発売延期が発生したために、次年度使用額が生じた。半導体不足の解消に伴い、本年度以降で調達を行い研究を続行する。