| 研究課題/領域番号 |
23K15152
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分53020:循環器内科学関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
篠原 宏樹 東京大学, 医学部附属病院, 特任臨床医 (70790351)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2025年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2024年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2023年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | 循環器疾患 / 人工知能（AI） / マルチモーダルデータ / 予後予測 / 虚血性心疾患 / 人工知能 |
|---|
| 研究開始時の研究の概要 |
高齢化に伴い循環器疾患患者数増加が予想され、適切な治療の提供が重要となる。近年、医療AI利用が注目されており、機械学習によるリスク評価手法の有効性が報告されている。構造型データと医療画像データをマルチモーダル処理することでリスク評価手法の性能向上が期待され、高リスク患者に対して効果的な治療が可能となる可能性がある。本研究では、マルチモーダルデータ処理により心臓血管イベント再発予測の高精度化とリスク層別化を可能にする新医療AI開発を目指す。これにより、リスク層別化精度向上と診断補助用AIの診断精度向上が期待され、医療の質向上と効率化が期待できる。
|
| 研究実績の概要 |
心筋梗塞や心不全などの循環器疾患は、高齢化に伴い患者数の増加が予想されており、適切な治療の提供が重要である。近年、医療分野におけるAIの利用が注目を集めており、機械学習を用いたリスク評価の有用性が報告されている。しかし、既存の研究では構造化データのみを用いた手法が主流であった。また、マルチモーダルなデータの処理方法に定まった方法はなく、3種類以上のデータを統合した医療AIの報告は乏しい。
本研究の目的は、マルチモーダルデータを統合処理することで、心臓血管イベントの再発予測を高精度に行い、患者のリスク層別化を可能にする新しい医療AIを開発することである。また、3種類以上のデータを統合する手法の確立を目指す。
令和5年度には、入力情報となるデータのクリーニングと患者背景データモデル及び心電図モデルの作成を予定していた。実際には、データの収集とクリーニング、並びに患者背景データを用いた患者予後予測モデルの作成を同時並行で行った。新しい深層学習モデルであるTransformerを用いて、患者予後予測モデルを構築した。
Transformerを用いた患者予後予測モデルが、従来のリスクスコアリング手法よりも高精度に予後予測を行うことができることを確認し、現在、査読付き英語論文として成果を投稿中である。本研究の成果は、循環器疾患患者の予後予測の精度向上に寄与し、個々の患者に適した治療方針の決定に役立つことが期待される。また、マルチモーダルデータを活用した医療AIの開発は、他の疾患領域にも応用可能であり、医療の質の向上と効率化に貢献することが期待される。
今後は、引き続き画像検査のモデル作成に取り組むとともに、3種類以上のマルチモーダルデータを統合する手法の開発に着手する予定である。3種類以上のデータを統合する手法の確立は、医療分野におけるマルチモーダルデータ解析の発展に寄与すると考えられる。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
令和5年度には、入力情報となるデータのクリーニングと患者背景データモデル及び心電図モデルの作成を予定していた。実際には、データの収集とクリーニング、並びに患者背景データを用いた患者予後予測モデルの作成を同時並行で行った。新しい深層学習モデルであるTransformerを用いて、患者予後予測モデルを構築した。
Transformerを用いた患者予後予測モデルが、従来のリスクスコアリング手法よりも高精度に予後予測を行うことができることを確認し、現在、査読付き英語論文として成果を投稿中である。心電図モデルに関してはデータの収集およびクリーニングに時間を要し、現在モデルの検討を行なっている。そのため、(3)とした。
|
| 今後の研究の推進方策 |
今後は各画像検査データを用いた深層学習モデルを構築し、その予後予測精度を評価する。具体的には、深層学習モデルとして従来の手法である畳み込みニューラルネットワークを用いた深層学習モデルと新しい深層学習モデルであるTransformerを用いた深層学習モデルを構築し、その精度を比較する予定である。各種の予後予測モデルが構築したのちにマルチモーダルデータの統合方法を検討する予定である。現時点では研究計画に準じて研究を遂行する予定である。
|
