一貫した開発プロセスで高度なAI開発を支援

医療ならではの高精度なAIモデルを構築するためには、高品質なアノテーション、精度向上のための学習施策、学習結果をフィードバックしたクレンジングが必要不可欠です。これら特殊なシーンに対して、これまで積み重ねてきた弊社の知見を生かし、医用画像を用いた高度なAI開発をサポートします。弊社では、医療機器メーカー様とのお取引が10年以上にわたって続いており、4年前よりAI・画像認識を含めた認識エンジンの開発に携わっています。

バックグラウンドを理解したアノテーション

医用画像処理においては、アノテーションの対象物を識別するために、表面的なテクスチャーのほか、ランドマーク同士の相対関係なども考慮しなければならないケースがあります。このように、医師が無意識に判断している情報をうまく引き出し、可能な限り言語化していくことでアノテーション品質を高めます。
また、微妙なニュアンスの違いからアノテーター間での認識に差異が生じ、アノテーション品質へ影響を与えることがあります。認識のずれや品質への影響を最小限にとどめるため、弊社では案件ごとにルールブックを策定したり、ブレーンストーミングの時間を取るなどの対策を講じています。

実現可否の判断とデータセットの適正化

医用AIは難易度の高い学習が必要となるため、学習の段階ごとに異なる手法を適用し、実現性や教師データのバランスなどの観点から分析を実施します。
「学習データ=推論データ」とする最も簡単な問題が解けるかどうかで実現性を判断し、加えて極端に精度が低いデータの有無を確認することでアノテーション品質を判断。それらを基に、プロジェクトの継続可否と再アノテーションの要否を検討します。
また、教師データを複数に分割して学習・推論を行わせ、おのおのの結果から教師データのバリエーションと量のバランスが適正かどうかを判断します。そして、適切なデータセットとなるように調整します。

高精度化に向けて

交差検証の段階である程度の精度に至ることが予想されますが、単純な交差検証では見えないウイークポイントを見つけて対策することで、さらなるロバスト性の向上と高精度化を狙います。一般的に行われている学習データの水増しをはじめ、画像に対する前処理の適用や、そのほかの手法を適用することで実現します。