■背　景

現在の臨床診断は，解剖学，診断目的，患者の多様性などの理由により，複雑で専門知識を要する多くのステップが存在する。研究者や技術者は医療従事者とともに，診断および治療支援効率化のため多岐にわたる技術開発を継続しており，ここ数年で登場した大きな変革の一つとして挙げられる手法が，深層学習である。

■画像診断における深層学習の適用

1．検出とセグメンテーション
深層学習は，検出，分類，セグメンテーションなどの医学的画像解析の課題に広く適用され，特に深層学習の
一手法である畳み込みニューラルネットワーク（convolutional neural network：CNN）は画像やボリュームデータにかかわる課題に適しており，低線量CT画像における肺結節の検出，超音波画像における腎臓検出にも利用できる^1），2）。検出よりも難易度の高いセグメンテーションについて，先のCT肺結節や超音波画像においても，CNNは性能向上を達成し，微視/巨視領域の状態や形態を把握することに貢献している^3）～5）。

2．測定と定量化
診断において，臨床パラメータの測定および定量化は重要なステップである。ダイナミック・コントラスト強調MRI（DCE-MRI）は，腫瘍の微小血管特性を研究するためのバイオマーカーであるが，DCEと薬物動態（PK）パラメータの直接の比較を困難にしている要因として，標準化および定量化手法の欠如が挙げられる。そこで，腫瘍曲線の形状を深層学習し，必要なパラメータの標準化とDCEデータの定量化を達成し課題解決を実現している^6）。さらに，DCE-MRIのPKモデリングにより，臨床医が腫瘍の血管特性を定量評価することを可能にしている^7）。

3．ワークフロー
深層学習の適用は，画像取得プロセスにも可能であり，MRI検査において撮像断面の決定に深層学習を用いることで，平均角度誤差＜3°および平均距離誤差＜1mmの撮像断面決定を達成した^8）。また，すでに製品化されているAI技術の例を紹介する。MRIの呼吸同期検査時の自動化機能は，ワークフローの自動化にとどまらず，患者の多様な物理的な特徴や，MRI操作者のスキル/経験によらず安定した良好画像を取得することを目的とした，位置決め画像から肝臓，横隔膜の位置を認識，呼吸相を把握するためのtrackerを自動で設定する機能であり，疾患のあるケースでも適切な位置にtrackerを設定可能なことを確認した^9）（図1）。
また，読影時のAI機能として，ユニバーサルビューワの“Smart Reading Protocols”にも触れたい。本機能は，ビューワの画像レイアウトを記憶し，次回，類似した検査情報の画像を開くと，自動的に学習した画像レイアウトでビューワが開く。つまり，本機能を使えば使うほど，読影者の好ましい環境が構築されるAI機能である。

図1　MRIの呼吸同期検査時の自動化機能

■課　題

深層学習を医療分野へ適用する上での課題として，(1) 計算量の増加，(2) 大量のデータが必要，(3) 深層学習アルゴリズムの下す決定理由の不透明性，(4) 規制上の制限やデータのプライバシーなどを考慮する必要があることが知られている。しかしながら，課題解決のための技術手法の開発や向上もあり，市場では深層学習の臨床応用がすでに出現している^10）。人工知能（AI）は医療に対しての革命的手法であり，さらなる臨床検査の効率化，Precision Healthの実現をめざして，GEヘルスケアは今後も継続的な研究開発を行う。

^{●参考文献
1）Huang, X., et al. : Lung Nodule Detection in CT Using 3D Convolutional Neural Networks. ISBI 2017.
2）Ravishankar, H., et al. : Understanding the Mechanisms of Deep Transfer Learning for Medical Images. MICCAI 2016 Workshop on Deep Learning for Medical Image Analysis, 2016.
3）Mukherjee, S., et al. : 
Lung Nodule Segmentation Using Deep Learned Prior Based Graph Cut. ISBI 2017.
4）Ravishankar, H., et al. : Joint Deep Learning of Foreground, Background and Shape for robust contextual segmentation. IPMI 2017.
5）Ravishankar, H., et al. : Learning and Incorporating Shape Models for Semantic Segmentation. MICCAI 2017.
6）Shanbhag, D.D., et al. : 
DCE time-series characterization with supervised deep learning ;
Alternative to PK model approaches. ISMRM 2017.
7）Xia Li, et al. : 
Recurrent Neural Network on DCE-MRI in Prostate Cancer. ISMRM 2017.
8）Andre Maximo, et al. : Deep Learning Based Automated Brain MRI Multi-Landmark Plane Prescription Using Regular 2D Tri-Planar Localizers. ISMRM 2018.
9）Goto, T., et al. : Robust automated Navigator tracker positioning for MRI liver scans. ISMRM 2014.
10）Marr, B. : First FDA Approval For Clinical Cloud-Based Deep Learning In Healthcare. Forbes, 2017.
https://www.forbes.com/sites/bernardmarr/2017/01/20/first-fda-approval-for-clinical-cloud-based-deep-learning-in-healthcare/
#2246b2bc161c}