| 研究課題/領域番号 |
20H03798
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
茂呂 徹 東京大学, 医学部附属病院, 特任教授 (20302698)
|
|---|
| 研究分担者 |
田中 栄 東京大学, 医学部附属病院, 教授 (50282661)
吉村 典子 東京大学, 医学部附属病院, 特任教授 (60240355)
齋藤 琢 東京大学, 医学部附属病院, 准教授 (30456107)
小川 純人 東京大学, 医学部附属病院, 准教授 (20323579)
松原 全宏 東京大学, 医学部附属病院, 准教授 (40361498)
田中 健之 東京大学, 医学部附属病院, 特任講師 (00583121)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| キーワード | 医療・福祉 |
|---|
| 研究実績の概要 |
本研究の目的は、高齢者の自立喪失の原因となり、生命予後も悪化させる「骨粗鬆症による脆弱性骨折」を予防するため、骨粗鬆症を早期診断して治療に導く人工知能(AI)診断システムを確立するための基礎研究を完成させることである。今年度は、以下の3つのサブテーマの検討を行った。
1. 学習用データセットの作成：ROADプロジェクトおよび東京大学医学部附属病院の症例を用いたデータベースの構築を継続した。また、腰椎および胸部X線画像のDICOMデータを収集しこれらの画像の撮影日の±1年にDXA法で計測された骨密度実測値および前述の症例データベースとの関連づけを行い、データセットとした。
2. 骨密度推定用ニューラルネットワークの構築：腰椎X線画像とDXA法で計測された腰椎骨密度実測値および、胸部X線画像とDXA法で計測された腰椎・大腿骨近位部骨密度実測値からなる3種類のデータセットをそれぞれランダムに5分割した。X線画像のDICOMデータとDXA実測値を教師データ、X線画像のDICOMデータを推定用データとして骨密度の推定値を出力させる5分割交差検証を行い、システムの精度の評価を行った。
3.推定精度向上の工夫：推定精度向上のため、学習用データセットのX線画像に対してData Augmentationを実施した。
以上の結果は、骨粗鬆症を早期診断して治療に導く人工知能(AI)診断システムを創出するための基礎検討を推進するための確信を得るに十分な結果であった。
|
| 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
1. 学習用データセットの作成（R4年度の達成度100%）：1-1 骨粗鬆症データベースの構築：ROADプロジェクトおよび東京大学医学部附属病院の症例を用いたデータベースの構築を行った。対象となる症例について、骨粗鬆症に影響を与えると考えられる因子についての情報を収集した。
1-2 データセットの作成：1-1の対象症例について、胸部・腰椎X線画像のDICOMデータを収集した。作成したDICOMデータと、これらの画像の撮影日の±1年以内にDXA法で計測された骨密度実測値（腰椎・大腿骨近位部）および1-1で収集したデータとの関連づけを行い、データセットとした。
2. 骨密度推定用ニューラルネットワークの構築（R4年度の達成度100%）：2-1 学習と推定・評価； 1-2で作成したデータセットから任意の対象群を抽出した。骨密度実測値とX線画像のDICOMデータを教師データ、X線画像のDICOMデータを推定用データとして骨密度の推定値を出力させる5分割交差検証を行い精度の評価を行った。YAM比が80%未満の要精検群を陽性、80%以上の要指導・異常なし群を陰性としてスクリーニング・診断精度を評価した。
3.推定精度向上の工夫（R4年度の達成度100%）：3-1 Data Augmentation：推定精度向上のため、1-2で作成した学習用データセットのX線画像に対してData Augmentationを実施した。実際のX線撮影時に生じ得る変化を想定した処理を、X線画像毎に、変化の種類と増やす枚数をランダムに実行する。
|
| 今後の研究の推進方策 |
1. 学習用データセットの作成：
1-1 骨粗鬆症データベースの構築；2022年度に引き続きROADプロジェクトおよび東京大学医学部附属病院の症例を用いたデータベースの構築を行う。対象となる症例について診療録を参照し、骨粗鬆症に影響を与えると考えられる因子について情報を収集する。
1-2 データセットの作成；1-1の対象症例について、腰椎/胸部X線画像のDICOMデータを収集する。作成したDICOMデータと、これらの画像の撮影日の±1年にDXA法で計測された腰椎/大腿骨近位部の骨密度実測値および1-1の骨粗鬆症に影響を与えると考えられる因子との関連づけを行い、データセットとする。
2. 骨密度推定用ニューラルネットワークの構築：2-1 学習と推定・評価；1-2で作成したデータセットから任意の対象群を抽出する。今年度は、腰椎X線画像とDXA法で計測された腰椎骨密度実測値および、胸部X線画像とDXA法で計測された腰椎・大腿骨近位部骨密度実測値の3種類データセットに加え、腰椎X線画像―大腿骨近位部DXA実測値のデータセットの解析も行う。各対象群においてX線画像のDICOMデータとDXA法で計測された骨密度実測値のデータセットをランダムに5分割する。X線画像のDICOMデータとDXA実測値を教師データ、X線画像のDICOMデータを推定用データとして骨密度の推定値を出力させる5分割交差検証を行い、システムの精度の評価を行う。YAM比が80%未満の要精検群を陽性、80%以上の要指導・異常なし群を陰性として判定精度を評価する。
3.推定精度向上の工夫：推定精度向上のため、複数のニューラルネットワークを複合させた学習(アンサンブル学習)を実施する。また、画像中の着目すべき領域をニューラルネットワークに学習させるためのAttention機構を導入する。
|
