がんのRadiogenomicsデータに対する深層学習による革新的特徴量選択

点击翻译按钮获取中文摘要

本研究では，広義の機械学習などの工学的なアプローチを，医療画像データ・遺伝子発現データ・生化学データといった様々な医療データに応用し，癌の層別化に関わる臨床的要因を選択する統一的な方法論を構築することを目的とする．本年度は，主にX線やCT，MR画像などの医療画像データが果たす役割とその特質を工学的な観点から理解し特徴量選択の方法論に応用することを目標とし，様々な臨床的なタスクにおいての解析を行った．本年度は主に以下の３つのテーマに関して取り組み，それぞれの研究成果は学会発表という形で行った．１）X線画像中の特定の領域を取り出すことが可能な特徴量を抽出する深層学習モデルの提案：特にU-Netベースのネットワーク構造にクラス領域の不均衡性を考慮したロス関数を組み込むことで，適切な特徴量を抽出するネットワークを学習によって得られることを確認した．２）医療画像データに対する深層距離学習が特徴量の抽出に与える影響についての検討：データ間の距離または類似度に基づいてクラスが各々分離されるように入力データから特徴量空間への変換を学習させる手法である深層距離学習を医療画像データに適応した．特にデータ数がそれほど多くない場合でもTriplet Lossを用いることで医療画像からクラス分類に有効な特徴量を抽出できる可能性を示唆した．３）解像度の低い医療画像データから特徴量を抽出する学習モデルについて：解像度の低い医療画像データから，クラス分類に有効な特徴量を抽出するための方法論を検討した．解像度の低い画像データは，多段の畳み込み層を適用して特徴抽出することが難しいため，距離学習を用いることで有効な特徴量を抽出できる可能性を示唆した．