| 研究課題/領域番号 |
20H01106
|
|---|
| 研究種目 |
奨励研究
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
3210:内科学一般、器官システム内科学、生体情報内科学およびその関連分野
|
|---|
| 研究機関 | 金沢大学 |
|---|
研究代表者 |
大江 宏康 金沢大学, 附属病院, 臨床検査技師
|
|---|
| 研究期間 (年度) |
2020-04-01 –
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
480千円 (直接経費: 480千円)
2020年度: 480千円 (直接経費: 480千円)
|
|---|
| キーワード | 体性感覚誘発電位 / 深層学習 / 異常波形分類 |
|---|
| 研究開始時の研究の概要 |
体性感覚誘発電位(SEP)は、末梢神経、神経根、脊髄、脳幹、大脳皮質の障害を反映し、障害部位に応じた特徴的な波形変化を呈する。人工知能(AI)技術のひとつである深層学習(ディープラーニング)を用いて、中枢神経から末梢神経障害のSEP波形を再分類した教師信号により学習を行う。試行、検証を繰り返し、異常波形診断のための分類器を作成する。また、AIを用いて最も精度の高い分類器の構築条件を分析し、SEPの異常波形分類アルゴリズムを開発する。
|
| 研究成果の概要 |
コンピューター上で体性感覚誘発電位（SEP）異常波形分類のための人工ニューラルネットワークを構築した。人工知能（AI）技術のひとつである深層学習（ディープラーニング）を用いて、若年者、健常例、末梢神経障害を含む脊髄障害例のSEP波形を再分類した波形計測値を教師信号として学習、試行、検証を繰り返し、異常波形診断のための分類器を作成した。AIを用いて最も精度の高い分類器の構築条件を分析し、SEPの異常波形分類アルゴリズムを明らかにした。
|
| 研究成果の学術的意義や社会的意義 |
AIを用いた時系列データ、波形解析への応用は、標準化などの適切な前処理が必要である。深層学習は、時系列データのAI解析を効率的に行える可能性がある。
本法による体性感覚誘発電位波形のパターン認識法での異常波形分類は、計測値の標準化などのデータの前処理を要せず計測値をそのまま利用できる点が優れている。 また、脊髄、神経根の異常波形を区別できることから、脊髄疾患の障害領域の特定や、中枢から末梢神経に亘る機能的神経障害の部位診断が可能であると考えられる。
|
