| Project/Area Number |
23K11325
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 62010:Life, health and medical informatics-related
|
|---|
| Research Institution | Hosei University |
|---|
Principal Investigator |
柴田 千尋 法政大学, 理工学部, 准教授 (00633299)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
宮田 康平 福岡大学, 医学部, 准教授 (80759233)
吉仲 亮 東北大学, 情報科学研究科, 准教授 (80466424)
福西 広晃 東京工科大学, コンピュータサイエンス学部, 講師 (30815684)
篠原 一彦 東京工科大学, 医療保健学部, 教授 (00327082)
|
|---|
| Project Period (FY) |
2023-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2026: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥2,730,000 (Direct Cost: ¥2,100,000、Indirect Cost: ¥630,000)
|
|---|
| Keywords | ドメインシフト / CTGデータ / ビジョントランスフォーマ / 深層学習 / 時系列データ / 医療データ / 深層学習(ディープラーニング) / 胎児心拍陣痛図(CTG) |
|---|
| Outline of Research at the Start |
新生児の脳性麻痺は、母児の生涯を決定的に左右する深刻な疾患である。その一因として、分娩中に比較的高い頻度で生じうる、胎児の低酸素やアシドーシスがしばしば挙げられる。この因子を通した危険性を減少させるためには、胎児の状態を分娩中に常時モニタリングし，早期発見し予防することが重要である。本研究では、数万症例からなる胎児心拍陣痛図(CTG)データを用いて、深層学習、統計的機械学習、および、時系列処理アルゴリズムの先端的な技術を用い、分娩中に迅速かつ正確にそれらの症状の有無を判断する手法の発見を目的とする。
|
| Outline of Annual Research Achievements |
本年度は、多施設から収集された大規模な胎児心拍数陣痛図（Cardiotocogram：CTG）データを用いて、Transformerベースの深層学習モデルによるハイリスク出産予測手法の改良に取り組んだ。CTGの時系列性を考慮した新たなデータ拡張手法として、スリット型CutOutおよびスリット型CutMixを提案した。これらの手法は、波形画像において時刻軸方向の整合性を保ったまま領域をマスクまたは置換するものであり、従来手法（CutOut/CutMix）と比較して予測精度の向上が確認された。モデル構造の比較では、Vision Transformer（ViT）、PoolFormer、Swin Transformer、ResNetを用いて10-fold交差検証および新規医療機関データによる評価を行った。その結果、交差検証ではSwin Transformer（Swin-B）が最も高いROC-AUC（最大0.831）を示した。一方で、異なる施設データに対しては、ViT-B/16にスリット型CutMixを適用した組み合わせが最も良好な結果（ROC-AUC 0.685）を示した。また、各種データ拡張手法を適用した場合の精度変化も検証し、スリット型CutMixが他手法に比べて汎化性能の面で有利に働く傾向が見られた。これらの成果は、電子情報通信学会論文誌Dに掲載され、E-HEALTH AND BIOENGINEERING CONFERENCE 2024でも発表を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
胎児心拍数陣痛図（CTG）を対象としたTransformerベースの分類モデル構築に向け、前年度に確立した基盤をもとにさらなる性能向上を目指した。今年度は、時系列データに特化したスリット型データ拡張手法の設計と実装を行い、従来のCutOut・CutMixと比較して一貫した精度向上が確認された。加えて、複数のモデルアーキテクチャ（ViT, PoolFormer, Swin Transformer等）を比較検証し、交差検証およびドメインシフト下の性能を多面的に評価した。Swin Transformerは高い予測性能を示し、またスリット型CutMixの導入により、テストデータにおいても安定した予測精度が得られた。論文投稿および国際会議発表も完了しており、研究は概ね順調に進行している。
|
| Strategy for Future Research Activity |
今後は、提案したスリット型データ拡張手法のさらなる汎化性能の検証を進めるとともに、ドメイン適応技術（Domain Adaptation）の導入による異施設間での精度向上を図る。また、学習済みモデルの説明可能性（Explainability）を高めるための可視化手法やAttention重みの解析を行い、臨床現場での実用性向上を目指す。加えて、CTG以外の産科領域のデータに対しても、マルチモーダル学習も視野に入れ、より精度と信頼性の高い医療支援システムの実現を目指して研究を推進していく予定である。
|
