ACP日本支部総会での講演スライドです 医療における予測指標と「人工知能」の関係について解説しています

1. 予測指標の使い方、作り方と人工知能との関係
-TRIPOD声明日本語版のご紹介-
第三部 予測指標とAIの関係
兵庫県立尼崎総合医療センター
呼吸器内科・臨床研究推進ユニット
片岡裕貴
2017/06/10@ACP日本支部総会

2. 20年後の内科医の仕事は？
2

3. 予測指標の使い方@ACPJC2016
3

4. 予測指標の作り方@PC連合学会秋季セミナー
4

5. 内科医のお仕事
5
診断
重症度分類
＝予後予測
治療
効果判定

6. 赤：予測指標の出番
6
診断
重症度分類
＝予後予測
治療
効果判定

7. 質問
手を挙げてください
7

8. 質問
普段から臨床で予測指標を使っている人？
8

9. 例えば肺癌のStageは「予後予測指標」
9

10. CKDだって
10

11. 質問
普段から臨床で予測指標を使っている人？
11

12. 質問
ここまでの講演を聞いて、実臨床で
もっといろんな予測指標を使ってみよう
と思った人？
12

13. 質問
13
予測指標のイメージはこんな感じ？
貧弱ぅな
イメージ

14. 現在は花形職業の医師に関しても、現在のままでは歴史
の流れの中に埋もれてしまう例外ではありません
（中略）
日本では優秀な医学生が医師国家試験の合格を目指して
多大な青春のエネルギーを消費しています
自分の頭脳を現在の医師用頭脳に特化させる作業の真っ
最中です
しかしこの試験に合格に必要な能力のキモの部分は、近
未来、人工知能に置き換わってしまいます
そして、医療は病院限定ではなくなります
医師主導でもなくなります
14
『人工知能時代の医療と医学教育』（高橋 2016）

15. 20年後の内科医の仕事は？
15

16. 開発 検証
復習：予測指標
16
データ
・対象者
・予測因子
・アウトカム
予測指標

17. さいきんはやりの「人工知能」
17
開発 検証
データ
・対象者
・予測因子
・アウトカム
予測指標

18. 予測指標＝AI
予測指標の作成方法＝機械学習
18

19. 同じ「機械学習」の技術で何が違う？？
19
従来使われていた
一般線形モデルによる予測
（高田先生の研究などで使用）
ニューラルネットワーク
http://lab.synergy-marketing.co.jp/

20. さっきの舞台裏
20
http://lab.synergy-marketing.co.jp/
一般線形モデル ニューラルネットワーク

21. そして、deep learning
21
ニューラルネットワーク Deep learning
単に層が増えただけ

22. イメージ
機械学習
・ロジスティック回帰モデル
・サポートベクターマシーン
・ニューラルネットワーク
>ディープ・ラーニング
22

23. どんなご利益が？
画像認識コンテストでのブレイクスルー
23
https://www.slideshare.net/NVIDIAJapan/ss-57361969/21

24. 今では
ヒトの目を超えてます
24
http://www.jftc.go.jp/cprc/conference/index.files/170331data02.pdf

25. なぜできるようになったか？
ニューラルネットワークの発想は1950年代
指数関数的なコンピューターの進歩
25

26. 医学研究でも
Can machine-learning improve
cardiovascular risk prediction using
routine clinical data?
26
https://doi.org/10.1371/journal.pone.0174944

27. Machine Learning Principles Can
Improve Hip Fracture Prediction
27
Calcif Tissue Int. 2017 Apr;100(4):348
一般線形モデル
その他の
機械学習
アルゴリズム
AUC

28. あれっ
実はそんなに性能変わらない？？
28

29. ところが2016年3月には
29
4勝1敗
人類最強2歳のAI

30. 更に2017年5月
30
3連敗
もう一人
の
最強

31. 予測指標として見ると
31
開発 検証
予測指標
膨大な棋譜

32. さっきまでのは「従来の予測因子」を使った研究
変数選択のやり方を少し変えたくらいでは
あまり予測性能は変わらない
（＝当たり前）
32

33. じゃあ、複雑なデータは？
Pathological Diagnosis of Gastric
Cancers with a Novel Computerized
Analysis System.
病理医の診断とくらべて
感度94.6% 特異度84.2％
33
J Pathol Inform. 2017 Feb 28;8:5.

34. Deep Learning in Mammography:
Diagnostic Accuracy of a Multipurpose
Image Analysis Software in the
Detection of Breast Cancer
放射線科医とDLのAUC変わらず
特異度は放射線科医の方が高い
感度はDLの方が高い
（＝DLの方が「見落とししない」）
35
Invest Radiol. 2017 Feb 16.

35. Dermatologist-level classification of skin
cancer with deep neural networks
36
Nature 542 (7639), 115-118. 2017
皮膚科医● vs AI

36. 診断だけでなく、診断に結びついた治療選択も
Artificial Intelligence Platform for
Oncology Could Assist in Treatment
Decisions
12－15人のがん専門医のパネル
Vs 人工知能(IBMのWatson)の治療選択
80％一致
ただし、進行がんでは不一致多い
37
Cancer March 15, 2017:905

37. ポイント
1症例の判断に
キャンサーボード：20分
AI:40秒
38

38. 2017年6月には同じWatsonで
肺癌では96.4%
大腸癌では81.0%
直腸癌では92.7%
が一致
39
Early experience with IBM Watson for Oncology (WFO)
cognitive computing system for lung and colorectal cancer
treatment. ASCO 2017
http://abstracts.asco.org/199/AbstView_199_187558.html

39. 論文を読むことだって
40

40. ！！！
41
2つの外的検証データセットで
感度 97.5%、96.1%
特異度 93.4%、93.9%

41. 42

42. AIの研究は、IT企業からの発信
43
https://www.technologyreview.jp/s/34326/googles-ai-explosion-in-one-chart/

43. 機械学習による研究数
44
0
1000
2000
3000
4000
2017/04/22 PubMed deep learning[tiab] OR Machine Learning[tiab]) OR Machine Learning[mh]

44. 国内でも
人工知能技術戦略会議
保健医療分野におけるＡＩ活用推進懇談会
45
http://www.nedo.go.jp/activities/AI-portal_kaigi_ai04.html
http://www.mhlw.go.jp/stf/shingi2/0000152457.html

45. 医師は不要！？
46

46. AIの方が
・見逃しが少ない（ように設定できる）
・体調に左右されない
・早い
・安い
47

47. 48
http://jbpress.ismedia.jp/articles/-/49314?display=b

48. 残る人はどうなる？？
49

49. AKIの発症予測をAIが行なうことで
50
http://www.wired.co.uk/article/deepmind-nhs-ai-kidney-royal-free

50. 日本でも
病理学会など、がん診断画像をデジタル化
病院で共有
日本病理学会、日本消化器内視鏡学会、
日本医学放射線学会が
それぞれ診断画像のデジタルデータベース
を整備する
51
日本経済新聞2017/4/16 23:34

51. again
自分の頭脳を現在の医師用頭脳に特化させ
る作業の真っ最中です。
しかしこの試験に合格に必要な能力のキモ
の部分は、近未来、人工知能に置き換わっ
てしまいます
そして、医療は病院限定ではなくなります
医師主導でもなくなります
52
『人工知能時代の医療と医学教育』（高橋 2016）

52. 実際に
53
検索キーワードで、その後の肺癌発症（を疑う検索）を予測！

53. 変数選択のやり方を少し変えたくらいでは
あまり予測性能は変わらない
（＝当たり前）
→病院に来なくても
スマホや、IoTデバイスの情報で健診
54

54. 実際に
55
http://japanese.engadget.com/2017/05/19/ceo-apple-watch/
Last accessed 2017/05/22

55. 赤：AIの出番 内科医の出番は？
56
診断
重症度分類
＝予後予測
治療
効果判定

56. 20年後の内科医の仕事は？
＝AIにできないことは？
57

57. ラッダイトを始める？
58

58. 今だって
59

59. 今だって
60
𝐼 = 𝐼0ⅇ− 𝑎 𝑥 𝑑𝑥

60. 今だって
61

61. 便利なツールを利用してますよね
62

62. 今日のまとめ（現在)
63
H&P test

63. (個人の生涯カルテ、大量の情報)
今日のまとめ（予想される10年後)
64
H&P test IoT

64. 今回の話は「弱いAI」の話
「強いAI」については成書をご参照のこと
65

65. 入門書
66

66. 実際にやってみたい
67