| Project/Area Number |
24K11015
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 52050:Embryonic medicine and pediatrics-related
|
|---|
| Research Institution | Chiba University |
|---|
Principal Investigator |
勝俣 善夫 千葉大学, 医学部附属病院, 医員 (80993823)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
遠藤 真美子 千葉大学, 大学院医学研究院, 助教 (30436414)
川上 英良 千葉大学, 大学院医学研究院, 教授 (30725338)
服部 真也 千葉大学, 医学部附属病院, 特任助教 (50836179)
照井 慶太 自治医科大学, 医学部, 教授 (70375773)
|
|---|
| Project Period (FY) |
2024-04-01 – 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: ¥260,000 (Direct Cost: ¥200,000、Indirect Cost: ¥60,000)
Fiscal Year 2025: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Fiscal Year 2024: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | 人工知能 |
|---|
| Outline of Research at the Start |
2016～2022年に千葉大学医学部附属病院NICUにて入院し，全身（下顎～骨盤）のX線画像が撮像された新生児（日齢30以内）のX線画像を対象とする。①まず、深層学習に基づく物体検知アルゴリズムを応用して，新生児全身X線画像における領域（肺野・腹部・縦郭・骨（脊椎骨・上腕骨・大腿骨）を自動検出するモデルを開発する。並行して、アノテーションツール（Label Studio）を用いてラベリングを行う。 ②予測ターゲットとなるアウトカムをカルテから抽出し，X線画像をインプットとして合併症・予後を予測する深層学習モデルを開発する．
|
| Outline of Annual Research Achievements |
【背景】ハイリスクな新生児管理では異常の早期発見と迅速な対応が重要であるため、高度なスクリーニング作業を強いられ新生児科医への負担は大きい。簡便で低侵襲な X 線検査の意義は大きく、医療の質の担保と医師の負担軽減という観点で X 線画像を用いた自動診断ツールの需要は高い。新生児全身 X 線画像の AI 画像解析による疾患スクリーニングシステムを構築する上で、新生児のX線画像は胸腹部全体を 1 枚の画像として撮影する点が成人のものと異なるため、まずは各部位のセグメンテーションモデルの構築を検討した。新生児は決まった体位保持が困難であり画像の軸が統一しないため、軸に平行でないバウンディングボックスの検出が可能な YOLOv5OBB を使用した。
【方法】対象は 2016~2022 年に当院 NICU で入院した日齢 30 以内の新生児の全身正面X 線画像である。ランダムに選出した 1400 枚(内、反転画像の 5 枚を除外した 1395 枚)の画像にアノテーションツール Label Studio で「胸部」「腹部」「脊椎」のラベルに対応するバウンディングボックスを手動で描画し、2 名の小児科医で検証した。データセットの80%で YOLOv5OBB による学習を行い、20%で精度評価を行った。精度は ntersection over Union(IoU)で評価した。
【結果】 IoU の平均(括弧内は最小値)は、胸部 0.840(0.740)、腹部 84.5%(71.2%)、脊椎74.8%(56%)であった。また、腹部、胸部は全画像で検出されていたが、脊椎は 88%の画像でのみ検出された。
【考察】胸部、腹部では高い精度、画像によって写り方にバリエーションが多い脊椎ではIoU 平均が低く検出精度も低かった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
上記の通り全身レントゲンからの胸部、腹部、脊椎の検出モデルは構築でき、そこから疾患予測（外科疾患の検出）のAIモデルを現在構築中である。MedSAMによって抽出した特徴量を用いても、症例数の少ない消化管疾患の分類は困難であった。
|
| Strategy for Future Research Activity |
消化管疾患に関しては、別のタスクでfine-tuningした重みを利用して、改めてモデル構築を行う。
また、肺の疾患など他の疾患分類についても試していく予定である。
|
