| 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、昨年度に引き続き、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。昨年度までの成果により、正常・異常の2値分類タスクで正解率87.3%、また重症度の高い所見、あるいは 境界域異常所見では高精度に判定可能である、という結果を得ていたが、その一方で境界域の所見の精度向上に課題を残していた。特に例えば反時計回転などの所見では移行帯を見る必要があり、複数の誘導の情報を統合して判断する必要があるが、各誘導を個別にCNNで学習してから、後に統合するモデルではこの学習が困難と考えられた。そこで本年度は各誘導波形を同時に学習するため、第１段階処理の際に全誘導波形の画像を統合して学習する手法など、様々な改良を試みたが、大きな精度向上は見られなかった。波形データのみを用いた手法では一定の精度の限界を迎えたと考えられる。次年度では、当初予定していた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、昨年度に引き続き、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。
すでに昨年度の手法により、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)を統合する学習により、精度向上することが判明していたが、特に精度の低かった境界域所見を中心に、12個の誘導波形を総合してみる必要のある所見については課題を残しており、第１段階の時点から全誘導を統合して学習する必要が考えられていた。本年度はこれら改良の余地がある点を検討し、第１段階から全誘導を統合して学習する手法など様々な改良を試みたが、高電位、PR短縮、軽度STーT異常の疑い、などで精度が改良される一方、一部の所見では精度が下がり、全体では大きな精度向上は見られなかった。ただし、残されていた考慮点については概ね検討が完了したため、波形データのみを用いたCNNベースの手法としては一定の限界を迎えたと考えられ、解析基盤となる手法の信頼性が向上した。
|
| 今後の研究の推進方策 |
本年度までの手法改良にて、波形データのみを用いたCNNベースの解析手法については一定の限界が確認できた。これまでの成果により、採用する手法の違いによって判定対象とする所見に得意・不得意の違いが大きく出ることが判明しており、具体的な所見に対して最適なモデルと学習方法が異なる可能性が高い。これま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ていたが、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。
|
