| 研究課題/領域番号 |
19K12201
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
今井 健 東京大学, 大学院医学系研究科(医学部), 准教授 (90401075)
|
|---|
| 研究分担者 |
藤生 克仁 東京大学, 医学部附属病院, 特任准教授 (30422306)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2022-03-31
|
| キーワード | 深層学習 / 心電図 / 医療AI / 診断支援 / 機械学習 |
|---|
| 研究実績の概要 |
本研究は、既存の心電図計による所見自動付与の精度向上のため、深層学習を用いた心電図波形自動解析手法を開発することを目的としている。本年度は、東大病院の循環器内科をを受診した患者9,190症例を対象とし、研究代表者らがこれまでに開発してきた標準12誘導心電図波形に対するCNNを用いた自動解析手法である One-Shot Screening手法の改良を行った。
提案手法は、心拍毎にカットし重ね合わせた波形画像を12誘導それぞれに対してCNNで学習し、第2段階目で全ての誘導を統合して判定する、というフレームワークを基本としている。本年度、従来xgboost などの手法で統合学習していた第2段階をMLPに変更する、あるいは各心拍の波形画像を重ね合わせて1症例1画像に合成する際に、重ね合わせの仕方(左揃え、Rピーク揃え、右揃え)によって得意不得意が異なるモデルが学習されることを利用し、これらのモデルを統合して学習する、といった手法の改良によって従来手法から精度向上することが判明した。(正常・異常の2値分類タスクで正解率87.3%)。重症度の高い所見、あるいは境界域異常所見では高精度に判定可能である、という結果を得ており、今後の解析の基盤となる手法が整った。
次年度では、心臓超音波検査データを元にした、より精度の高い診断結果を正解データとし、あらゆる種類の所見を対象とするのではなく、左室肥大、右房肥大、左房肥大などの個別所見に対する学習モデルへと発展させる、また、専門家との結果の分析を元に、引き続き解析手法の改良を行う予定である。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本年度は、東大病院の循環器内科をを受診した患者9,190症例を対象とし、研究代表者らがこれまでに開発してきた標準12誘導心電図波形に対するCNNを用いた自動解析手法である One-Shot Screening手法の改良を行った。One-Shot Screening法は、標準12誘導心電図波形(10秒)を独自開発のアルゴリズムで心拍毎に分割、分割後の波形画像を重ね合わせた画像を2D-CNNで学習する第1段階と、その結果を12誘導で統合し最終的な判定を行う第2段階の組み合わせを基本としており、重ね合わせ画像を作ることで、入力波形データ長によらず判定することが可能であることが特徴である。
これまで、第2段階ではxgboostなどの決定木をベースとしたアルゴリズムを採用していたが、第1段階での最終出力前の内部表現ベクトルをMLPに入力し12誘導を統合する手法に改良することにより精度の改善が見られた。また、心拍毎の波形を重ね合わせる際の手法の違い（左揃え、Rピーク揃え、右揃え）により、正解率には大きな差は存在しないものの(正常・異常の2値分類タスクでそれぞれ86.3%, 86.5%, 85.3%)、異常所見によって得意不得意が異なることが判明した。そこでこれらの特徴をお互いに補完するべく、3つの重ね合わせ画像におけるモデルを統合判定する改良手法により精度向上する (87.3%) ことが判明した。重症度の高い所見に対しては極めて高精度であり、境界域異常所見についても、Recall 0.95 と良好な結果であった。一方、エラー（偽陰性）となった所見は反時計回転、PR短縮、RSR'パターンなどの境界域正常所見が主である。
本年度研究により、従来手法で改良するべき点を修正し、今後の解析の基盤となる手法が整った。
|
| 今後の研究の推進方策 |
本年度の手法改良では、既存の心電図計の自動付与所見を対象に学習を行った。次年度では心臓超音波検査データを元にした、より精度の高い診断結果を正解データとし、あらゆる種類の所見を対象とするのではなく、左室肥大、右房肥大、左房肥大などの個別所見に対する学習モデルへと発展させる予定である。また、専門家との結果の分析を元に、引き続き解析手法の改良を行う。特に、症例数が少ない特定の所見については、学習の際にデータ数を水増しするデータオーグメンテーションが重要である。しかし心電図波形から得られた画像は、一般的な画像と異なり回転などの変換が使用できない。従って上下の位置変更など、単調なオーグメンテーションとなってしまうことで結果として学習に寄与していない可能性がある。適切なデータオーグメンテーション手法の確立も重要な課題である。
|
| 次年度使用額が生じた理由 |
本年度はおおよそ計画通りに執行を行ったが、若干の余剰が生じた。次年度ではこれと当初計画予算とを合わせ、当初計画にある本格的な深層学習計算機サーバーの購入、また各学会での情報収集と研究成果発表に用いる予定である。
|
