cardio...cardio ai fab 27, 2019 人工知能による循環器画像自動診断システム...

Kenya Kusunose, MD, PhD, FASETokushima University Hospital

Japan

CardioAIFab 27, 2019

人工知能による循環器画像自動診断システム

AIの臨床応⽤〜⼼電図領域〜

患者背景の予測


ニューラルネットワーク

スコアリング

男性 or ⼥性

年齢

モデル学習

TEST


男性を予測︕


年齢も予測︕

無症候性左室機能不全の予測


スコアリング

ベースラインEF: 35%未満EF: 35%以上

モデル学習

TEST


ベースラインにおける無症候性左室機能不全（EF低値）を心電図で予測可能


心電図 AI判断

ベースラインでEFが低くなかった（当たらなかった）7%の症例

AIが異常と判断93% EF低値

心電図に新たな付加価値を加える可能

その後フォローすると・・・

心電図 AI判断

将来，EFが低下する確率が正常と判断された症例の4倍

心電図に新たな付加価値を加える可能

（⾚︓AIで⾼リスク群・⻘︓AIで低リスク群）

心房細動の予測


スコアリング

心房細動がその後に出た人

洞調律のままの⼈

モデル学習

TEST


心房細動があることを洞調律時の⼼電図で予測可能


ＪＡＣＣ誌 2018レビュー

検出された無症候性心房細動リスクに応じてカテーテル治療，抗凝固療法がおこなわれる．

心房細動をモバイル端末で検出

心電図波形を絵として画像認識し，将来の心房細動発症との関連をＡＩで評価．

さらに精度の⾼い予測が可能に︕︖

⼼房細動の年次推移

AIの臨床応⽤〜⼼エコー図法〜

スペックルトラッキング法心エコー図法

心臓核医学検査

Kusunose K et al. Circ J. 2011;75:141-147.

壁運動異常⾃動診断の試み

Kusunose K et al. Circ J. 2011;75:141-147.

自動解析技術（赤）を用いることで，壁運動異常の判定は経験者（ピンク）の診断精度に近づくことができた．

問題点︓本研究で⽤いた⾃動診断技術も検査者が関⼼領域（ROI）の設定を⾏わなければならず，実臨床に広く使われるまでには至っていない．

初学者の診断能向上への試み

感度

自動診断熟練者

初学者

特異度正確度

心エコー図法（Echocardiography）

循環器画像診断領域において最もポピュラーな検査

Essential Echocardiography 2018. Elsevier.

左室短軸像

虚血性心筋症の診断に重要壁運動の判定は内方運動，壁厚の変化などで総合的に判断．検査者の主観的な評価に依存している．

壁運動評価

Essential Echocardiography 2018. Elsevier.

① 心エコー図検査により取得した左室短軸像において，局所壁運動異常の区別がdeep learningにより可能かを検討する② AIによる診断能と，ヒトの診断能とを比較する．

目的目的

⾚︓ LAD（前下⾏枝領域）⻩⾊︓ LCX（回旋枝）緑︓ RCA（右冠動脈）

方法

壁運動分類American heart association (AHA) 分類

壁運動異常のAHA分類に基づき，虚血性心筋症患者を3群に分類した．分類は冠動脈造影検査結果も参考に，expertが決定した．年齢，性別をマッチさせたコントロール群を追加し解析コホートとした．

方法

Original Data: N=400, 1200 images

Training DataN=320 (80%)

Normal wall motion: N =100 Asynergy (OMI): N =300

Testing DataN=80 (20%)

データサンプル

方法

JACC Cardiovasc Imaging. 2019 May 9. pii: S1936-878X(19)30318-3. doi: 10.1016/j.jcmg.2019.02.024.

End-D Mid-S End-S

Echo ImagesControl

LAD

LCX

RCA

Neural Network Scoring

Model Comparison of models

TestingTraining & Validation

方法

動画から時相（拡張末期・収縮末期・収縮中期）をあわせて静止画3枚を画像処理し使⽤．転移学習を⾏い，Scoringする．Training，Validationをそれぞれ100回⾏い，モデルを作成．独⽴したサンプル80例でのモデルテストを⾏う．

AI学習

方法


壁運動異常症例と正常例

Regional wall motion abnormality

Normal controlEnd-diastole

End-diastole

End-systole

End-systole

Mid-systole

Mid-systole

0

20

40

60

80

100

0 20 40 60 80 100 100-Specificity (%)

Sensitivity (%)

ResNet: AUC: 0.97Cardiologists/Sonographers: AUC: 0.95Residents: AUC: 0.83

結果

ROC curves for diagnosis of wall motion abnormality


0.01 0.1 1 10 100Odds ratio (95% CI)

favors human classificationfavors DL classification

LAD

LCX

RCA

Control

Odds ratio of misclassification for DL vs. Human


AI研究への取り組み


顔写真病気リスク

Images from Illust AC

病気リスク同定アプリケーションの提案

AIの進化︓画像認識技術︓顔の「美しさ」のスコア化技術

Deeplooks利⽤: https://deeplooks.com/

https://deeplooks.com/


点数を付けた顔写真

Deep learningで学習AIが自動で特徴を抽出ヒトの指⽰が不要で精度⾼

オンラインで利⽤者が写真を投稿

Deep learningによる精度向上



AIの進化︓画像認識技術︓顔の「美しさ」のスコア化技術


⼼筋梗塞は増え続け疾患予防・発症予測は重要

循環器学会データベース J-ROADより作図

59000

63000

67000

71000

75000

2012 2013 2014 2015 2016

・症例数は右肩上がり．・院内死亡率は8%前後と高い．・食生活の欧米化により40〜50代の働き盛りの世代で罹患率増加．

循環器専門病院約1500施設の調査

10885名の健常⼈データから，将来の⼼筋梗塞発症をアウトカムとし，顔の所⾒から予測．薄⽑，眼周囲などの所⾒から，⼼筋梗塞予測が可能（通常の診察では困難）．

所⾒少

所⾒多

発⽣率

年齢

顔×心血管リスク

Circulation. 2014 Mar 4;129(9):990-8.

提案

顔写真データ×

顔の心血管リスク特徴（AI）

写真1枚で⼼筋梗塞の発症予測リスク評価が可能アプリケーションの開発

全体概略図

顔写真データ取得

リスクのスコア化⼼筋梗塞発症リスク表示

Images from Illust AC

• 心エコー図画像から，AIにより⼼筋梗塞の有無および部位について精度⾼く⾃動診断することが可能であった．

• ⼼房細動は顔写真からも発⾒されるようになってきている．

まとめ

⼼房細動・⼼筋梗塞がより正確に検出・診断される時代

関西広域連合が実施するセミナーをご聴講いただき、ありがとうございます。

自社のPR、共同研究開発を想定されている新技術・新製品の内容、解決したい技術課題・相談内容などがございましたら、発表者の氏名と併せて、電子メールで以下の送付先へお送りください。

送付先： [email protected]問合せ先：関西広域連合広域産業振興局

TEL:06-6614-0950

関西広域連合からのお知らせ
mailto:[email protected]

cardio...cardio ai fab 27, 2019 人工知能による循環器画像 自動診断システム...

Documents

cardio...cardio ai fab 27, 2019 人工知能による循環器画像自動診断システム...