成果報告書 先進的IoTプロジェクト支援事業：IPA 独立行政法人 情報処理推進機構

2016情 第307号

逭的

IoT

支援

業

画像及

問診

眼科疾患識

術

果報告書

委

株式会社

担当

ン

丸

幸弘

篠澤

裕

目次

1. 要約 ... 3

2. 背 目的 ... 3

3. 概要 ... 4

3.1 製品 ... 4

3.2 ... 6

4. 実施 容 ... 6

4.1. 製品 開発 ... 6

4.1.1. UI/UX品質向 ... 7

4.1.2. 部 定 出機能 設計 実装 ... 7

4.1.3. 眼科医診断 流 析 ... 8

4.1.4. 整理 ... 9

4.1.5. 眼科疾患自動識 設計 実装 ... 9

4.1.6. 眼科疾患自動識 評価 ン ... 10

4.2. 価値提供 検証 ... 10

4.3. 構築 運用 ... 10

4.4. 効性検証 ... 11

5. 果 ... 12

5.1. 製品 開発 ... 12

5.1.1. 果目標 ... 12

5.1.2. 果実績 ... 12

5.2. 価値提供 検証 ... 40

5.2.1. 医師 声 映 UI/UX ... 40

5.2.2. ン 価値提供 調査 ... 52

5.3. 構築 運用 ... 55

1. 要約

自治医科大学 共

研究 通 6種 前眼部疾患 対 識 精 約80% 人 知能

遉 評価 い 高評価 得

改善 ン 数 新規

獲得 外部 新規会員獲得 確約

行 弊社 活用 様々 企業 顧客企業協議

中 あ 契約 締結 可能性 高い 日 海外 展開

く 1 国 調査 行い 現地 理解 努

2. 背 目的

眼科医 居 い 島 地域 僻地 精神科 単科病院 い 一般

科 精神科 非眼科医 眼科診療 行う 従来 多く見

え 政府目標 2025 日 全国 135万病床(2015 ) う

最大20万病床(約15％) 削減 最大34万人 在宅医療 替わ

在宅医療 現場 い 非眼科医 眼科診療 急 増

予想 い

http://www.nikkei.com/article/DGXLASFS15H75_V10C15A6EE8000/

非眼科医 眼科医 診断結果 84％ 異 いう研究結果 あ 誤

診 多発 い 可能性 示唆 い BMJ 1988:1162-1167

以 問題 踏 え 以 目的

1)医療 現場 い 増 想定 非眼科医

眼科疾患 誤診問題 対 非眼科医向 眼科疾患遠隔診断支援

提供 誤診率 世界的 医療 底 目指

2) 多く 非眼科医 対 迅速 正確 提供

人 知能 眼科疾患自動識 術 開発

3) 国 向 構築 益化 海外向

展開 ン 策定 行う

株式会社 以 当社 現在 非眼科医向 眼科疾患遠

隔診断支援 以 提

供 い 非眼科医( 科医 精神科医 等) 対象

あ 非眼科医 眼科疾患 患う患者 診断 ン

患部 影 簡易 問診 入 送信 遠隔 い 当社

眼科医 無料 診断 あ 均的

診断申請 時間 30 短く 診断精 飛躍的 向 可

能 い

非専門医 い 当社 抱え 眼科医 数 一人 眼科

医 診 診断数 限 い 拡大 共

見込 診断要求数 増 応え い 解決

人 知能 自動的 眼科疾患識 術 必須 あ 術 組 込

新 以 (Ver.2)

開発

精 高い人 知能 構築 多く 眼科疾患画像 問

診情報 集 必要 既 当社 提供 い

医師 数 増 あ 利用回数

増 必要 効果的 集 目指

(Ver.2) 国 向

医師 無料 提供 利用 逭 弊

社 価値 高 入 確保

考え い 顧客企業顧客企業 価値向 多く

集 要 あ 実現 向 医

師 数 増 必須 ン 活動 速 的

増 数 増 目指

当社 提供 (Ver.2) 日 国

く 海外 う 展開 医師不足 解消 献

日 限定 東 国々 展開 視

入 い 現在 開発 人 知能 眼科疾患識

術 提供 想定 具体的 ン 病院 中国 江蘇省 病院

話 逭 い

3. 概要

3.1 製品

(1) 様 提供価値

非眼科医 眼科疾患患者 診断 (Ver.2)

利用 専門性 高い診断

結果的 診断 精 向 ン

称 一 提供 遠隔地 利用

可能 あ 人 知能 眼科疾患識 術 入 当

社 眼科医 確認 多く 診断要求 対 高速

(2) 開発済 範

現在提供 い い 医師 提供

ン 称 既 開発済

あ 医師 用い 診断 求 場

合 当社 抱え 眼科医 遠隔 診断 返信

既 構築済 あ

現在 診断要求数 増 伴 診断

返信 時間 診断 高い 回答可能 数 限 あ

(3) 開発範

人 知能 眼科疾患識 術 開発

前 挙 問題 解決

人 知能 眼科疾患識 術 組 込

(Ver.2) 開発 満足 高い 実現 目指

3.2

(1)

(Ver.2) 医師 無料 提供

画像 集 速化 数 自然 増

必然的 当社 使用医師数 多く 価値

向 用い 構築 可能

4. 実施 容

4.1. 製品 開発

以 特徴 持 人 知能 自動的 眼科疾患識 術 開発

• 非眼科医 診断 行う前眼部 眼科疾患 対象 前眼部疾患 全

種 う 発生 い7種 関 学習

集 困 考え 12種類 対象 厚生労働省 医学各論

• ン 用い 前提 画像 影

問診情報 入力 自動識 結果 見 必要 あ

外付 ン 拡張 行う

• 眼科 診断 基 く 開発 基 的 流

ぶ ぶ 裏 白目部 黒目部 検査 問診情報 合わ 診断結果

出

• 識 精 80% 目標

4.1.1. UI/UX品質向上

画像 数 多く 得 繁 利用

う 肝要 あ 使い勝手 良 UI/UX 品質 高 非

常 要 あ UI/UX 操作性向 向

UI/UX ン 行い ン 実装 行う 行う作業 程

以 通 あ

(a) 現状 析

現状 UI/UX 関 う 使い方 う 点

躓い い 評価 析 ン 害 部

明確

(b) 新 ン立案

(a) 行 析 得 問題点 解決可能 UI/UX ン 用い 具現化 Prott 用い 予定 あ

(c) ン評価

(b) ン 実 実装 前 Prott 作 ン 医師

使 い ン 行い 使い勝手 改善 い 評価

(d) 実 実装

(c) 過程 問題 解決 い う あ ン ン 渡

実 実装 行う

4.1.2. 部 定 出機能 設計 実装

画像 基 診断 目 ぶ 白目 黒目 部 状態

質的 作業 あ 主 画像解析 術 特徴抽出 術

用い ン 設計 実装 行う

(a) 調査

目 部 部 機械的 定 機能 必須

あ 既 存在 画像解析 処理 調査 既 あ 応

用 い 確認

(b) 部 定 設計 実装

(c) 部 出機能 設計 実装

(b) 実現 用い 部 定 部 部 出 機能

設計 実装

(d) 部 出機能 評価

(c) 実装 機能 関 様々 画像 用い 精 評価 4.1.3. 眼科医診断 流 析

画像 問診 情報 う 思考 流 沿 診断 行う

ン 通 疾患 付 析 う 落

実現 ン 遉 目標 大枠

策定 あ

(a) 診断方法 整理

前眼部 眼科疾患 以 通

ぶ 疾患(全7種):

麦粒腫 霰粒腫 眼瞼炎 眼瞼 涙嚢炎

( 天性鼻涙管閉塞) ※発生 い

( 眼瞼腫瘍) ※発生 い 結膜 角膜 疾患(全12種):

結膜炎

結膜 出血

翼状片

電気性眼炎 強膜炎

単純 角膜炎

( 帯状疱疹角膜炎) ※発生 い

( Wilson病) ※発生 い ( 角膜 ) ※発生 い ( 錐角膜) ※発生 い

( 水疱性角膜症) ※発生 い

以 疾患 中 発生 い疾患 関 集 困 考

え 集 学習 対象 基 的 以外

(b) 診断 流 析

(a) 過程 得 診断 流 関 析 行い 医師 認識 定過程

再現 う 手法 必要 検討 特 部 画像

視 画像 う 種類 病変 定 問診

う あわ 診断 明確

(c) 診断手法 検討

(b) 析 診断 流 対 過程 う

適用可能 あ 検討 応用可能 列挙 現在 見立

画像 病変 種類 定 Deep Residual Network 問診情報 組 合わ Random Forest 応用

考え い

4.1.4. 整理

集 処理 自動識 必要

作

(a) 集 整理 ン ン

集 全 疾患 類 学習 適 い 除外 問診情

報 含 ン ン 行う

(b) 画像 出

前眼部画像 3.1.2 実装 部 出機能 用い 部 出 整

理

(c) 画像 病変 類

部 画像 出 い 病変 病変

類

4.1.5. 眼科疾患自動識 設計 実装

前段 容 自動識 全体 設計 行い実装

主 画像 学習 問診情報 学習

(a) 全体 設計

3.1.3 容 全体的 診断 流 実現 設計

主 発生 高い12種類

(b) 画像 機械学習手法 設計 実装

出 画像 各部 病変 機械学習 部 画像

病変 定 基 的 Deep Residual Network

基 実現

(c) 問診 機械学習手法 設計 実装

部 病変 無 種類 問診情報 組 合わ 機械学

4.1.6. 眼科疾患自動識 評価 ン

前段 実装 行 自動識 関 評価 行い 精 向

再設計 再実装 再評価 ン 繰 返 所望 精 遉

遉 目標 Deep Learning 果 競う国 的 画像認識 ン ILSVRC 利用 Top5-Error 識 精 80% 目指

http://www.image-net.org/challenges/LSVRC/ (a) 検証 評価

検証 行い評価 多く 存在

精 向 見通 立

(b) 学習 ン

変更 再学習 検証 繰 返 精

向 遉

4.2. 価値提供 検証

開発 (Ver.2) い 視点 評価

実施

• (Ver.2) 医師 専門医 法 外部

環境 問題 い範 実現 人 知能 含 診断支援

実利用 い く 以 目 検証

o UX: ン 使い い o AI 精 :実 人 知能 識 精 高い う o 患者 応:人 知能 用い 対 患者 許容

• 評価 目 関 医師 い 改善

点 検討

4.3. 構築 運用

医師 獲得

人 知能 組 込 眼科疾患遠隔診断支援 (Ver.2)

数一定数 目標 遉

想定数 い 回開発 人 知能 識 精 あ 程 遉

必要 集 顧客企業 対 十

提供 価値 あ 構築

企業顧客 開

顧客企業 ン 行い 複数社 対 提供 対価

う い 合意 行う

海外展開計画 策定

4.4. 効性検証

医師 獲得

• 医師 ン 行い 定 的 満足 計測

• 医師獲得 効 広告 検討 評価

企業顧客 開

• 顧客企業 ン 行い 当社 一社当 く

い売 立 調査 行う

海外展開計画 策定

• 海外展開 実現可能性 海外 ン 評

5. 果

5.1. 製品 開発

12種 前眼部疾患 対 識 精 80％ 人 知

能 遉 目標 対 6種 前眼部疾患 対 識

精 約80% 人 知能 遉

12種 疾患 関 眼科医師 議論

結果 染色液 使用 拡大 見

対象 外

画像 集 予定 い

ン 契約 遅 数 伸 悩 結果 人 知能

使え 画像数 確保 困

代替手段 自治医科大学眼科教室 株式会社

共 研究 行い 自治医科大学 持 約14万枚 眼科画像 活用

画像 対 眼科医師 画像 対

再診断 必要 時間 必要 時間

6疾患 画像 AI開発 必要程 集

2018 中 全11疾患 AI 実現 予定 あ

5.1.1. 果目標 (1) 目標

人 知能 前眼部眼科疾患 識 精 80% 遉

無眼科医地域 向 眼科疾患 識 専門医師 紹 必要

う 断 用途 十 精 考え 人 知能 眼

科疾患識 術 組 込 眼科疾患遠隔診断支援

(Ver.2) 実現 (2) 評価方法

(Ver.2) 医師 集

用い 開発 人 知能 前眼部眼科疾患 識 行い 実 眼科医

診察結果 比較 人 知能 精 測定

5.1.2. 果実績

(1) UI/UX 改善 UI/UX 現状調査

- 最初 選ぶ 線 い

- 文言 眼科医向 あ 科 自 い

- 直感的 ン い

- う 写真 いい い

う 調査結果 眼科医 科医 新 いUI/UX 検討 Prott 構築 Prott 構築 様子 以 示

. Prott 画面2

変更 関 医師10 ン 評価 行 全

員 従来 UI/UX 比 大幅 使い く 評価 結果 実装 行

(2) 前眼部疾患識 AI 全体 流

節 前眼部眼科疾患 識 AI 構築 全体 流 概観

大 流 疾患 特徴 診断 流 析 診断

流 準 必要 目 領域 画像 自動的 出 機能 設

計 実装 出 画像 問診情報 疾患 定 前眼部疾患

識 AI 設計 実装 以 節 関 説明

(3) 各疾患 特徴 眼科医診断 流 析

節 眼科医 議論 診断 見 ン 整理

以 対象 い 前眼部疾患 整理 画像以外

必要 入力 目 関 整理 入力

疾患 説明 特徴 例示

麦粒腫 俗 い 呼

病気 原因 細

菌感染

汗 出 腺

毛根 感染 場合 外

麦粒腫 腺

感染 麦粒腫 呼

ぶ 局所的 赤

赤 腫 痛

痒 あ

見

目

霰粒腫 眼瞼 ぶ あ

腺 出口

慢性的 炎症 起

結果 肉芽腫 いう塊

病気 麦粒

腫 異 細菌感染

伴わ い無菌性 炎症

眼瞼 腫 異

物感 眼瞼

腫瘤

触 炎

症 伴 場合

麦粒腫 似

症状

眼瞼炎 ぶ 起 炎症 総

称 根

元 部 起 眼瞼

縁炎 え え

ぶ 皮膚

起 眼瞼皮膚炎

目尻 起 多い

眼角眼瞼炎 3

ぶ 赤 腫

ゆ 痛

症状 現

発疹

破

ぶ

眼瞼 逆 毛 呼

一部 指

逆 う

毛 原因

側 向い い

角膜 結膜 傷

目 う

ぶ 皮膚 側

巻 込

眼球 当

涙嚢炎 通常 涙 目 鼻

流 い 鼻

い 鼻涙管

涙嚢 涙

細菌感染 起

涙嚢炎

多く 片方 目 起

結膜炎 結膜 充血 目

出 涙 自然 出

目 痛

出 く

性 性 結膜

炎 あ

結膜 充血

結膜 出血 結膜 白目 い

血管 破 出血

痛 痒 目

い

白目部 赤く染

翼状片 白目 表面 覆 い

半透明 膜 あ 結膜

目頭

方 黒目 角形状

入 込 く 病気

自覚症状 充

血 異物感 あ

鏡 自 目

一目瞭然 白

目 一部 黒目 伸

いう う 症状

診 人

両目 起

黒目部 半透明

結膜 入 込 く

涙 泌 減

十 涙 質

目 表面 潤 力

状態

染色液 く

電気性眼炎 紫外線 起 表

層角膜炎 紫

外線 強い場所 え

場 海水浴場

高山 角膜 直接

長時間紫外線 曝露

結膜 充血

目

涙 出

目 痛く

ぶ い 症

場合 起

強膜炎 強い目 痛 あ

紫 赤色 充血

涙 増

明 い 対 過

敏 症状

紫 充血

強い痛

単純 角膜炎

単純

角膜 黒目 感染

発症

目 痛

感 充血 涙 眩

ぶ 腫 症状

出 角膜 白

く 片目 発症

多い

黒目 白く

. 目 構造 日 眼科学会 引用

対象 (1)麦粒腫 (2)霰粒腫 (3)眼瞼

(4)結膜炎 (5)結膜 出血 (6)翼状片 6種 麦粒腫 霰粒腫

関 見 目 症状 近 い あ 痛 無 可能

あ 4種 関 見 目 症状 特定

問診 目 必要 目 網羅

画像 え 機械学習 定 可能 あ 以

(4) 前部 定 出機能 設計 実装:

4.1.2節 目 ぶ 白目 黒目 部 出

想定 い 前節 眼科医診断 流 析 特 ぶ 黒

目 白目 う ぶ 入 込 い 様子 白目

黒 掛 横断的 充血 様子 得 い 基 的 疾

患領域 出 節 実装 行い評価

画像 目 領域検出 調査

画像 目 領域 検出 既 いく

考案 い

顔検出 行う ，瞳 ン 顔 大 絞 込 ，

顔検出精 向 見込 ，瞳 検出 行わ い

顔検出 行う ，瞳 ン 顔 大 絞 込 ，

顔検出精 向 見込 ，瞳 検出 行わ い

瞳 目 大部 占 黒目 存在 ， 1対 黒点 絞

込 検出 一般的 あ

瞳 顔 検出 Haar-like 呼 ，明暗 構 矩形

ン 用い 型特徴 類器 用い

多い OpenCV Haar-like特徴 類器 存在 ，XML 提

供 い

Hough変換 元 直線 2値 検出 手法

拡張 ， 形 検出出来 う 瞳孔 検出 ，

総 検出 ，人間 見 目 異 結果

一方 一方 瞳 顔 く 目 領域

定 行う必要 あ 関 既存 対

応 い

FCN いう ン

適用 問題 解決

ン手法 用い 目 物体領域 検出

近 ， ン 多層 ワ 用い 画像

類手法 い ，FCN Fully Convolutional Network [1] 用い 領域検

出手法 一般化 い FCN 用い ワ ，従来

類 用い い CNN Convolutional Neural Network 実

現出来 機能 包 ， ン 適用

ン 範 拡大 献 い

稿 流 踏 え，FCN 用い ワ ，画像

目 領域検出機能 研究開発結果 い 述

FCNを用いた物体領域検出手法

FCN ，従来 CNN Convolutional Neural Networks 類

用い 全結合層 畳 込 層 置 換え ，以 2 実

現 い

5. 単位 分類を実現し お ，1枚 画像 内

複数 を 単位 分類す 事 出来

6. 任意 サ 画像入力 可能 あ た ，例え 従来 CNNモ

あったよう ，128×128 [px]，或い 256×256 [px] よう 正方形

あ 必要 く，大 さ 可変 あ た ，様々 プ ーション

容易 適用可能

両者 ワ 相遊 5.1.2-1 示 5.1.2-1 示 通

，FCN 端 全結合層 CNN 変更 い ，入力画

生 ， ン 方 大 い ，現在 全 畳

込 層 構築 一般的 い

FCN う 単 類 ン ン 呼ぶ

対 ，矩形領域 類 ン 物体 ン ン

指定 呼 い 即 ，1枚 画像 対 ，旧来 単

一 類，画像 置指定， ン， ン

ン ， 細 識 行う 共 ，多 類 可能

い 5.1.2-2参照

近 ， ン ン ン い ，様々

提案 い 例え ， ン い ，CPMC Constrained Parametric Min-Cuts [3] 手法 基 YOLOv2[4] 5.1.2-3参照 SSD[5] 5.1.2-4参照 ， ン ン

図 5.1.2-3 YOLOv2 ション結果

図 5.1.2-5 SegNetモ

図 5.1.2-6 U-netモ

図 5.1.2-7 ップサンプ ン 処理

い SegNet[6] 5.1.2-5参照 U-Net[7] 5.1.2-6参照

あ 両者 明確 異 ， ン ン 最終的

対 ， ン 最終的 出力結果 類 確率値 あ

， ン ン 処理 不要 い

う ， ン 用い 物体領域検出手法 ，全 畳

込 層 任意 入力画像 付

う ，尚且 目的 ン 応 ワ 構造 変

更 主流 い

最終的 目 領域 抽出 学習 疾患識 行

う 画像 眼部領域 検出 出 注力 次節 説明

疾患識 疾患識 類 担当

類性能 高い必要 無く 80%程 問題 い 一方

性能 IoU: Intersection Over Union 一定以 性能 必要 あ

領域検出機能 YOLOv2 選択 ， 要件 ワ 構造

決定，即 ，検出速 求 ， 類性能 70%程 良い

類 数 目 以外物体 2 ，IOU ＝Intersection Over Union 矩形領域 正解領域 複率，正 く 1

束 80% 目標 特 目 周 あ 程 領域 ぶ

疾患領域 含 検出 少 領域 拡張 前提

い

Tiny YOLOを用いた目の領域検出方式

ワ 機能要件

稿 ，目 病状 類 行わ ， 類 精緻 実行

必要 ，画像 目 領域 部 的 検出 行う2段構

い ，

表 5.1.2-1 YOLO SSD 性能比較

Model Train Test mAP FLOPS FPS Old YOLO VOC 2007+2012 2007 63.4 40.19 Bn 45

SSD300 VOC 2007+2012 2007 74.3 - 46

SSD500 VOC 2007+2012 2007 76.8 - 19

YOLOv2 VOC 2007+2012 2007 76.8 34.90 Bn 67

YOLOv2 544×544 VOC 2007+2012 2007 78.6 59.68 Bn 40

Tiny YOLO VOC 2007+2012 2007 57.1 6.97 Bn 207

SSD300 COCO trainval test-dev 41.2 - 46

SSD500 COCO trainval test-dev 46.5 - 19

YOLOv2 608×608 COCO trainval test-dev 48.1 62.94 Bn 40

検出精 検出速 2 指標値 う ，出来 素早く検出 行う

く，検出速 優 あ ， 類対象 目 領域

あ ，多 類機能 不要 あ ，検出精 多少落 大

問題 い ，表 5.1.2-1 鑑 ，YOLOv2 ワ 検出速 特化 Tiny YOLO 基 ワ

選択 効 あ

Tiny YOLO 目 領域検出

Tiny YOLO YOLOv2 くFCN 構 ワ 構造

い ，検出機能 い ， YOLO く，ワン

方式 ン 類 時 行う 出来 ，

ン 境界 拡大 縮 用い 物体存在

確率 予測，reorganization手法 用い 高解像 解像 特徴 結

合， 異 画像 学習 性 確保

，教師 画像 必 32 倍数 い

YOLOv2 様 特徴 ，相遊点 数

い

回 目 領域検出 用い Tiny YOLO ワ 構造 5.1.2-8 示 入力画像 い YOLOv2 Tiny YOLO く，一 416×416 [px] 変更 ， 畳 込 処理 繰 返 ， ン ン

置指定 類 行う 特徴 抽出

，416[px] い ，32倍 ン ン ン 行 ，

ン ン 中央配置 う 設定 意 い あ

，最終段 数 以 関 性 い

filters(classescoords1)num

，classes 類数，coords 標数 通常，x，y，width，

5.1.2-8 目 領域検出 Tiny YOLO ワ 構造

num 各 境界 予測数 通常 5種類 意味 い

5.1.2-8 通 ，最終段 畳 込 層 数30 いう 1

類 瞳 検出 意味 い

教師 用い 特徴 抽出

ン い 置情報 いう情報 追 ，

単純 類 ，特徴 抽出 教師 要

性 高く 特 ，画像 物体検出部 示 矩形領域 指定 要

あ

，目 画像 い ，明 例外 言え 除い 375枚

画像 利用 画像 い ，向 偏 排除 様々 方

向 目 許容 ， ，瞳 開い 画像 く，瞳 閉 画像

含 ，顔程 大 許容 ，全身像 全 入 い 画

像 ，顔 中 目 当 い 画像 意識的 選

操作 ，右目， 目 隔 無く， 目

認識 ，尚且 ，写真 影 向 気 ，目 閉 い う 開い

い う ， 目 認識 構築 出来 う

，画像 中 目 部 示 矩形領域 画像 基点 ，x，

y，width，height 4 い ，矩形領域 用

い 手動 任意 行 画像 い ，両目 入 い 画

像 存在 ， 右目 目 矩形領域

， 目 検出出来 う

， 学習処理 い ，375枚 画像 う ， ン 選択

300枚 教師 ，残 75枚 検証 利用 IOU 評価

検証 評価 ， 類性能 時 ，IOU

Intersection over Union 評価 行 い IOU 教師

5.1.2-9 IOU 定義

例え ，遈路標識 画像 対 ン 識 行 場

合， 5.1.2-10 示 う 結果 正解 矩形領域 緑色 枠 あ

， 対 赤色 枠 予測結果 複領域 IOU

0～1 値 ，IOU 値 識 率 関 性 5.1.2-11 示 通 あ

即 ，IOU 1 近付 近付く 教師 準備 矩形領

5.1.2-11 IOU 値 物体識 率 関

目 領域検出 評価

Tiny YOLO 用い 画像 目 矩形領域 検出 作

目 領域検出 学習処理 い ，教師 300枚 画像 う ，

ン 選択 10枚 画像 処理用 ， 12000

繰 返 ワ 作 処理 行

領域検出性能 評価 く，以 処理 行

 100枚 学習処理 い ，教師 及 検

証 複 い 用意 ，目 領域検出処理

IOU，及 類性能 算出

，画像 目 領域検出性能 評価 正解 必要

あ ，各 当然，目 領域 指 示 矩形領域

指定 い

表 5.1.2-2 目 領域検出 評価結果

IOU 類性能

Tiny YOLO 目 領域検出 81% 92%

，定 的 性能評価 ， ン 画像 用い 検出性能結果

5.1.2-12 ～ 5.1.2-16 示 5.1.2-12 5.1.2-13 目 画像， ， 5.1.2-14 5.1.2-15 右目 画像 あ ， 正常 ，

目 検出出来 い ， 5.1.2-16 犬 正面 捉え

画像 あ ， い 人間 目 く正常 両目各々 目

認識 い ， 稿 構築 い ，人間 目

様 特徴 備え い ，人間以外 動物 あ 目 領域 検出

5.1.2-12 目 領域検出例

5.1.2-14 目 領域検出例

5.1.2-16 目 領域検出例

参考文献

[1]Long, Jonathan, Evan Shelhamer, and Trevor Darrell. "Fully convolutional networks for semantic segmentation." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015.

[2]Christoph Körner (2016), "Intro to Deep Learning for Computer Vision", available at: https://chaosmail.github.io/deeplearning/2016/10/22/intro-to-deep-learning-for-computer-vision/ (accessed 20 August 2017).

[3]Carreira, Joao, and Cristian Sminchisescu. "Cpmc: Automatic object segmentation using constrained parametric min-cuts." IEEE Transactions on Pattern Analysis and Machine Intelligence 34.7 (2012): 1312-1328.

[4]Redmon, Joseph, and Ali Farhadi. "YOLO9000: better, faster, stronger." arXiv preprint arXiv:1612.08242 (2016).

[5]Liu, Wei, et al. "Ssd: Single shot multibox detector." European conference on computer vision. Springer, Cham, 2016.

[6]Badrinarayanan, Vijay, Alex Kendall, and Roberto Cipolla. "Segnet: A deep convolutional encoder-decoder architecture for image segmentation." arXiv preprint arXiv:1511.00561 (2015).

(5) 前眼部疾患識 AI 設計 実装 評価

節 前眼部疾患識 AI 設計 実装 評価 行う

学習 疾患 (1)麦粒腫 (2)霰粒腫 (3)眼瞼 (4)結膜

炎 (5)結膜 出血 (6)翼状片 6種類 各疾患画像 対

ン 呼 処理 行い 学習対象画像数

増

近 画像 識 非常 効果 高いStochastic Depth

Network いう ワ 術 学習

結果 示

ン

各疾患 画像数 約400枚程 あ 画像 1000枚程

必要 考え 節 次 う ン

手法 画像数 増 疾患 画像数 ン 選択

複数 - ン手法 適用 1000-1200程 1 右 転

2. 15 回転 両方 3. 拡大(1.2倍)

以 例示

(a) 元画像 (b) 右 転 (c) 転 15 回転 回

(g)1.2倍拡大 (h)拡大 15 回転 (i)拡大 15 回転 回 右回

. ン 画像数増

画像数 以 通

表. 学習 用い 画像数

元画像数

ン ン

総画像数 備考

(1)麦粒腫 422 1266 痛 無 疾患

(2)霰粒腫

(3)眼瞼 347 1041

(4)結膜炎 1273 1273 ン

(5)結膜 出血 462 1155 (6)翼状片 805 1127

Stochastic Depth Network 眼科画像 学習

節 全節 示 前眼部疾患 画像 機械学習 機械学習

画像識 強 持 ResNet[8] 層 深いDeep Learning

用い [5,7,8,9,10] 問題点 層 深 要因 学習

時間 長 大 問題 問題 解

Stochastic Depth Network 説明 行い

設定 評価結果 示

Stochastic Depth Network

近 性能 向 Layer数 増 Deep ワ 傾向 あ very deep 以 問題 あ

1. 勾配 消失

繰 返 Weight 乗算 勾配 消失 学習 時 即 Back Propagation 調整 起 学習時

ワ 応 結果 望 い 差 信号(学

習信号) 入力層 伝 差 大 調節 い

く 層間 学習信号 伝 層間 わ

単 行列 学習信号 掛 相当 層

深い いう 異 行列 掛 入力層 到遉

深い層 ワ 伝

く いく 通常 行列 ン 1.0 満 何

掛 限 く 0 近 く 入力層 近 く 従い学習

信号 く 学習 困

対策 careful initialization hidden layer supervision Batch Normalization あ

2. feature 再利用 減少

勾配消失 Back Propagation 時 問題 Forward Porpagation 時 様 問題 指 い forward propagation時 random 初期化 Weight 何 乗算 伝わ 情報 消失 いう問題 あ 対策 ResNet 用い い

Identity mapping あ 以 Fig.1 あ う 掛

い信号 掛 信号 混 いう

式 書く 以 通 あ Hl−1 入力 Hl 出力 id(⋅) identity transformation fl(⋅) convolutional

transformation

3. training時間 増大

ワ Very Deep 学習時間 問題 152layer ResNet 学習環境 依存 数逬間以 掛

通 あ

shorter network 情報 伝 効率 く行わ 学習 効率的 実 用的 時間 行え 面 複雑 問題 対 Network自体 表現能力 十 い いう問題 あ 逆 Deep Network 構造 複雑

面 学習 非常 く時間 沢山

論文 学習時 Network Short Test時 Network Deep いう ン Deep ResNet 構造 利用 実現

い

Dropout

Dropout 確率的 hidden node connection drop

汎化性能 向 いう

Deep Networks with Stochastic Depth

基 minibatch毎 random layer skip

残差 Path random skip identity skip connection path

変え い

Stochastic Depth ResNet 構造 夫 あ ResNet

学習時間 結構掛

体感 Stochastic Depth 桁長く時間 掛 Fig. 1 fl( ) ン

残差 Path 残 Skip survival probability pl 決 pL hyper parameter 段 pl く skip く う

式 書く う

学習時間 短縮

pL=0.5 時 学習時間 約25%短縮 pL=0.2 時 40%短縮

評価

前節 説明 Stochastic Depth Learning 用い 行 評価

関 説明

評価方法 前節 設定 学習 構築 対 各疾患約

100枚 元画像 入力 算出 疾患 正 い う

定 推定 疾患 確率 高い 並ぶ 精 評

価 Top-1精 Top-3精 用い Top-1精 最 高 い確率 推定 疾患 正 い確率 Top-3精 推定疾

以 評価結果 示 横軸 学習 回数 数 あ

縦軸 精

学習 変更 350 精 い

わ 最終的 Top-1 約80% 精 遉 Top-3 約96%程

精 遉

. 前眼部 機械学習 精 推移 (横軸 数 縦軸 精 )

参考文献

[1] Krizhevsky, A., Hinton, G.: Learning multiple layers of features from tiny images (2009)

[2] Deng, J., Dong, W., Socher, R., Li, L.J., Li, K., Fei-Fei, L.: Imagenet: A large-scale hierarchical image database. In: Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on, IEEE (2009) 248–255

[3] Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: Advances in neural information processing systems. (2012) 1097–1105

[4] Sermanet, P., Eigen, D., Zhang, X., Mathieu, M., Fergus, R., LeCun, Y.: Overfeat: Integrated recognition, localization and detection using convolu- tional networks. arXiv preprint arXiv:1312.6229 (2013)

[5] Simonyan, K., Zisserman, A.: Very deep convolutional networks for large- scale image recognition. arXiv preprint arXiv:1409.1556 (2014)

[7] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Er- han, D., Vanhoucke, V., Rabinovich, A.: Going deeper with convolutions. In: Proceedings of the IEEE Conference on Computer Vision and Pattern

Recognition. (2015) 1–9

[8] He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recog- nition. arXiv preprint arXiv:1512.03385 (2015)

[9] H ̊astad, J., Goldmann, M.: On the power of small-depth threshold circuits. Computational Complexity 1(2) (1991) 113–129

[10] H ̊astad, J.: Computational limitations of small-depth circuits. (1987) [11] Bengio, Y., Simard, P., Frasconi, P.: Learning long-term dependencies with gradient descent is difficult. Neural Networks, IEEE Transactions on 5(2) (1994) 157–166

[12] Glorot, X., Bengio, Y.: Understanding the difficulty of training deep feedfor- ward neural networks. In: International conference on artificial intelligence and statistics. (2010) 249–256

[13] Lee, C.Y., Xie, S., Gallagher, P., Zhang, Z., Tu, Z.: Deeply-supervised nets. arXiv preprint arXiv:1409.5185 (2014)

[14] Ioffe, S., Szegedy, C.: Batch normalization: Accelerating deep network train- ing by reducing internal covariate shift. arXiv preprint arXiv:1502.03167

(2015)

[15] Srivastava, R.K., Greff, K., Schmidhuber, J.: Highway networks. arXiv preprint arXiv:1505.00387 (2015)

[16] Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.: Dropout: A simple way to prevent neural networks from overfitting. The

Journal of Machine Learning Research 15(1) (2014) 1929–1958

[17] Fahlman, S.E., Lebiere, C.: The cascade-correlation learning architecture. (1989)

[18] Erhan, D., Bengio, Y., Courville, A., Manzagol, P.A., Vincent, P., Bengio, S.: Why does unsupervised pre-training help deep learning? The Journal of Machine Learning Research 11 (2010) 625–660

[19] Nair, V., Hinton, G.E.: Rectified linear units improve restricted boltzmann machines. In: Proceedings of the 27th International Conference on Machine Learning (ICML-10). (2010) 807–814

[20] Wan, L., Zeiler, M., Zhang, S., Cun, Y.L., Fergus, R.: Regularization of neu- ral networks using dropconnect. In Dasgupta, S., Mcallester, D., eds.: Pro- ceedings of the 30th International Conference on Machine Learning (ICML- 13). Volume 28., JMLR Workshop and Conference Proceedings (May 2013) 1058–1066

[21] Goodfellow, I.J., Warde-Farley, D., Mirza, M., Courville, A., Bengio, Y.: Maxout networks. arXiv preprint arXiv:1302.4389 (2013)

[22] Zagoruyko, S.: 92.45% on cifar-10 in torch (2015)

[24] Graham, B.: Fractional max-pooling. arXiv preprint arXiv:1412.6071 (2014) [25] Agostinelli, F., Hoffman, M., Sadowski, P., Baldi, P.: Learning activation functions to improve deep neural networks. arXiv preprint arXiv:1412.6830 (2014)

[26] Liang, M., Hu, X.: Recurrent convolutional neural network for object recog- nition. In: Proceedings of the IEEE Conference on Computer Vision and

Pattern Recognition. (2015) 3367–3375

[27] Snoek, J., Rippel, O., Swersky, K., Kiros, R., Satish, N., Sundaram, N., Patwary, M., Ali, M., Adams, R.P., et al.: Scalable bayesian optimization using deep neural networks. arXiv preprint arXiv:1502.05700 (2015)

[28] Srivastava, R.K., Greff, K., Schmidhuber, J.: Training very deep networks. In: Advances in Neural Information Processing Systems. (2015) 2368–2376

[29] Lee, C.Y., Gallagher, P.W., Tu, Z.: Generalizing pooling functions in convolutional neural networks: Mixed, gated, and tree. arXiv preprint

arXiv:1509.08985 (2015)

[30] Netzer, Y., Wang, T., Coates, A., Bissacco, A., Wu, B., Ng, A.Y.: Reading

digits in natural images with unsupervised feature learning. In: NIPS work- shop on deep learning and unsupervised feature learning. Volume 2011., Granada, Spain (2011) 4 [31] Collobert, R., Kavukcuoglu, K., Farabet, C.: Torch7: A matlab-like en- vironment for machine learning. In: BigLearn, NIPS Workshop. Number EPFL-CONF-192376 (2011) [32] Sutskever, I., Martens, J., Dahl, G., Hinton, G.: On the importance of initialization and momentum in deep learning. In: Proceedings of the 30th international conference on machine learning (ICML-13). (2013) 1139–1147

5.2. 価値提供 検証

5.2.1. 医師 声 映 UI/UX

ン 問診 容 元々 眼科医

意見 映 作 一方 眼科 い 医師

眼科 言葉 考え方 中心 い い いう声

あ

声 集約 眼科 い 医師 使い く 使用

う 変更

新 いUI/UX 以 う

. 前眼部 影画面

5.2.2. ン 価値提供 調査

節 開発 行 あ 対 価値提供

評価 医師10 対 行

各医師 対 以 ン 目 回答 い

評価 行

★ ン 目

UI

Q.1 開い 使用 迷わ い

Q.2 い 送信 迷わ

Q.3 単語 解釈 戸惑 あ

AI精

[医療機器認証 い い 患者 使わ 自 (医師) 前眼部 写真 いう前提]

Q.4 AI 実 患者 使 い 思う精 あ

患者 応

遠隔医療 部

Q.5 診断 い 思う眼科症例 何件あ

(件/ )

Q.6 実 何件 使い専門医 求

Q.7 影 嫌 患者 い

AI 使わ 対 患者 許容

Q.8 患者 人 知能 否 応 あ 思う

Q.9 人 知能 専門医 診断精 程 場合

Q.1 YES 9

NO 1

Q.2 YES 9

NO 1

Q.3 YES 2

NO 8

Q.4 YES 3

NO 7

Q.5 均 3.2件

標準偏

差 2.55

Q.6 均 1.7件

標準偏

差 1.25

Q.7 YES 0

NO 10

Q.8 YES 3

NO 7

Q.9 YES 9

NO 1

Q.1-3 UI/UX 問題 あ 評価 使い勝手 面 問

題 概 無い 特 数人 医師 ン

存在 気 一 理解 問題 い程 あ

Q.4 医療機器認定 問題 患者 使う 医

師 前眼部 疾患写真 再 影 利用 一部 画像

題 わ

Q.5-6 程 使わ 余地 あ 程

実 使わ い 調査 大体 3.2件 実 1.7

件程 利用 いう わ

Q.7 患者 許容 関 あ 全く問題

い わ

Q.8 関 人 知能 患者許容 関 あ 医師 感覚

多少患者 許容 懸念 持 い 医師 一定数い わ

Q.9 結果 精 評価 人間 等 あ

5.3. 構築 運用

改善 ン

数 新規 獲得 外部 新

規会員獲得 確約 行 弊社 蓄積 活用

顧客企業複数社 契約 行い 入源 確保 日

海外 展開 く 一 国 調査 行い 現地

理解 努

6. 業化 向 課題 展望

術面

• 制 問題 眼科診断AI 日 業化 最 困 制

特 医療機器 認 必要 あ 点 あ

機械学習 統計的 医療機器

認 く 薬機法 通 全く蓄積

い 体力 無い ン 数 間数億 投資 認 通

く 大手 通 風穴 期待 い 現状 あ 意味

海外 医療規制 比較的緩い国 実績 積 方向 良い 考え

海外逭出 共 実験的 評価 行い い

• 画像 問題 種類 沢山あ 色合い 解像

あ 統一化 く 品質 画像

精 向 非常 要 あ 例え 外部

拡大可能 検討 いく必要 あ

• 疾患数 関 眼科疾患画像 十 集 診

断 眼科 作業 多く 期間 当初目標 12種

一種 診断不可能 あ

中 明 遉 作業

2018 中 遉 見通 あ

• 識 精 関 精 80% 目指

開発評価 行 一定 環境 画像 あ 等 精 遉

考え 現実 環境 多様 画像素子 ン

用い 場合 等 精 遉 定 あ

実験環境 超え 現実 世界 使用実験 実用性 高 いく

必要 あ

面

• 課題 残 価値

• 個々 企業 対 細 い対応 確率 繋

い ン 化 開発

必要

• 不足:弊社 不足 開発 遅 生

あ 遅 繋 適 配 通 術開