先進医療NAVIGATOR　医療とAI最前線

出版社： 日本医学出版
著者：
発行日： 2022-02-10
分野： 臨床医学：一般  >  臨床医学一般
ISBN： 9784865770490
電子書籍版： 2022-02-10 （初版第1刷）
書籍・雑誌
≪全国送料無料でお届け≫
取寄せ目安：約3営業日

4,400 円(税込)

購入する
電子書籍
章別単位で購入
ブラウザ、アプリ閲覧

4,400 円(税込)

購入する

商品紹介

第３次AIブームを迎え、医療分野における人工知能の具体的な利活用の実際や問題、将来への期待や課題についてまとめた。
まだまだ飛躍的に進むAI技術の歴史も振り返りながら、ビッグデータ構築、医療応用、人材育成、倫理的側面、リスクなど、また喫緊の課題であるCOVID-19感染症パンデミックの実態解明と対策におけるAI活用も含め、網羅的に把握できる1冊。

目次

  • 第1章　医療視点でみたAI技術の歴史と現状
    1 医療へのＡＩ応用の過去から現在
    2 医学知識の表現と利用
    3 医用画像処理における深層学習
    4 自然言語処理の医療への応用

    第2章 医療AI開発のためのビッグデータ構築
    　1 医療画像ビッグデータクラウド基盤
    　2 AI開発に向けた医療ビッグデータ構築

    第3章 AIによる医療応用への道
    　1 AIによる腎生検病理画像の診断補助に向けた取り組み
    　2 病理におけるAIの活用の最前線
    　3 AIを用いた探索的医療データ分析と疾患分類
    　4 AIを用いた大腸内視鏡診断支援
    　5 AIによる胃がんの早期診断
    　6 精神医学領域におけるAI技術の活用
    　7 眼科領域の画像診断におけるAI技術の応用
    　8 医療とAI医用画像診断を中心に
    　9 COVID-19肺炎のCT診断補助AI 画像診断におけるAI活用への期待と課題
    　10 心音・聴診とAI：COVID肺炎の聴診AIを含む
    　11 機械学習による糖尿病通院患者の受診中断予測
    　12 AIホスピタルへの取り組み
    　13 創薬におけるAIの活用
    　14 医療4.0ヘルステック時代の医療革命
    　15 身体診察とAI
    　16 介護領域におけるAIとICT

    第4章 ＡＩと医療に関わる人材育成
    　1 AI人材育成と科学計算クラウドサービス

    第5章　ＡＩ医療の倫理的側面とリスク
    　1 AI医療システムのリスク分析の考え方
    　2 AI医療にかかわる倫理原則
    　3 AI医療に対応したこれからの医療におけるデータの法制度
    　4 人工知能の進展と医療・ヘルスケアにおける可能性

    第6章　企業紹介
    　AI医療機器開発に取り組むアイリス株式会社の紹介

この書籍の参考文献

参考文献のリンクは、リンク先の都合等により正しく表示されない場合がありますので、あらかじめご了承下さい。

本参考文献は電子書籍掲載内容を元にしております。

第1章 医療視点でみたAI技術の歴史と現状

P.4 掲載の参考文献
1) Edward H. Shortliffe, Computer-based Medical Consultations : MYCIN Elsevier, 1976.
 
2) Bruce G. Buchanan and Edward H. Shortliffe Ed., Rule-Based Expert Systems : The MYCIN Experiments of the Stanford Heuristic Programming Project, Addison Wesley, 1984
 
3) Sholom M Weiss, Casimir A Kulikowski, EXPERT : A system for developing consultation models, Proceedings of the 6th international joint conference on Artificial intelligence-Volume 2, pp. 942-947, 1979.
 
4) Millar R A., The INTERNIST-1/Quick Medical Reference project-status report, Western Journal of Medicine 145 (6) : 816-22, 1987.
 
5) 木村通男, 他 : 抗生剤選択支援システムANTICIPATORの開発, 日本ME学会論文誌 21 : 356-357, 1983.
 
6) SS-MIX普及推進コンソーシアム : SS-MIXとは? http://www.ss-mix.org/cons/info_top.html
 
P.7 掲載の参考文献
1) Shortliffe EH, Davis R, Axline SG, Buchanan BG, Green CC, Cohen SN. Computer-based consultations in clinical therapeutics : explanation and rule acquisition capabilities of the MYCIN system. Comput Biomed Res. 1975 Aug ; 8 (4) : 303-20.
PubMed
2) NCBO BioPortal. https://bioportaLbioontology.org/ [Accessed, 2021/09/01].
 
3) 臨床医学オントロジー CONAND. http://onto.bmi.m.u-tokyo.ac.jp/ [Accessed. 2021/09/01].
 
4) Fujiwara T, Yamamoto Y, Kim JD, Buske O, Takagi T. PubCaseFinder : A Case-Report-Based, Phenotype-Driven Differential-Diagnosis System for Rare Diseases. Am J Hum Genet. 2018 Sep 6 ; 103 (3) : 389-399. doi : 10.1016/j.ajhg2018.08.003. Epub 2018 Aug 30.
 
5) Ma X, Imai T, Shinohara E, Kasai S, Kato K, Kagawa R, Ohe K. EHR2CCAS : A framework for mapping EHR to disease knowledge presenting causal chain of disorders-chronic kidney disease example. J Biomed Inform. 2021 Mar ; 115 : 103692. doi : 10.1016/j.jbi2021.103692. Epub 2021 Feb 4.
 
6) J-Casemap. https://www.naika.or.jp/j-casemap/ [Accessed, 2021/09/01].
 
P.10 掲載の参考文献
1) Suzuki, K., Radiol Phys Technol 2017, 10 (3), 257-273.
PubMed
2) Suzuki, K. ; Armato, S. G., 3rd ; Li, F ; Sone, S. ; Doi, K., Med. Phys. 2003, 30 (7), 1602-17.
PubMed
3) Suzuki, K. ; Abe, H. ; MacMahon, H. ; Doi, K., IEEE Trans. Med. Imaging 2006, 25 (4), 406-16.
PubMed
4) Zarshenas, A. ; Liu, J. ; Forti, P. ; Suzuki, K., Med. Phys. 2019, 46 (5), 2232-2242.
PubMed
5) Suzuki, K. ; Horiba, I. ; Sugie, N. ; Nanki, M., IEEE Trans. Med. imaging 2004, 23 (3), 330-339.
PubMed
6) Shelhamer, E. ; Long, J. ; Darrell, T., IEEE Trans Pattern Anal Mach Intell 2017, 39 (4), 640-651.
PubMed

第2章 医療AI開発のためのビッグデータ構築

P.15 掲載の参考文献
1) 厚生労働省「医療情報システムの安全管理に関するガイドライン 第5版」 (平成29年5月)
 
2) 総務省「クラウドサービス事業者が医療情報を取り扱う際の安全管理に関するガイドライン 第1版」 (平成30年7月)
 
3) 経済産業省「医療情報を受託管理する情報処理事業者における安全管理ガイドライン 第2版」 (平成24年10月)
 
4) 学術情報ネットワーク SINET5 https://www.sinet.ad.jp/
 
5) 国立情報学研究所ニュースリリース 2020年9月28日「新型コロナウイルス肺炎CT画像をAI解析するためのプラットフォームを開発～全国の病院から集めたCT画像をAIで選別し高品質なAI研究用データセットとして整備～」https://www.nii.ac.jp/news/release/2020/0928.html
 
P.18 掲載の参考文献
1) T. Hey, S. Tansley and K. Tolle, "The Fourth Paradigm : Data-Intensive Scientific Discovery, Microsoft Research, 2009.
 
2) 厚生労働省 : 匿名レセプト情報・匿名特定健診等情報の提供に関するホームページ https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/kenkou_iryou/iryouhoken/reseputo/index_13898.html
 
3) 厚生労働省 : 医療分野の情報化の推進について/医療情報の標準化/厚生労働省標準規格 https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/kenkou_iryou/iryou/johoka/index.html#h2_free3
 
4) 個人情報保護委員会 : 匿名加工情報制度について https://www.ppc.go.jp/personalinfo/tokumeikakouInfo/
 

第3章 AIによる医療応用への道

P.21 掲載の参考文献
1) Ren S, He K, Girshick R, et al. Faster R-CNN : Towards Real-Time Object Detection with Region Proposal Networks. IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39, 1137-1149.
PubMed
2) R. Joseph, D. Santosh, G. Ross, et al. You Only Look Once : Unified, Real-Time Object Detection. arXiv : 1506.02640.
 
3) Liu W, Anguelov D, Erhan D, et al. SSD : Single shot multibox detector. arXiv : 1512.02325.
 
4) Kawazoe Y, Shimamoto K, Yamaguchi R, et al. Faster R-CNN-Based Glomerular Detection in Multistained Human Whole Slide Images. Journal of Imaging. 2018 ; 4 (7) : 91
 
5) 嶋本公徳, 中村一成, 山口亮平, 堂本裕加子, 河添悦昌, 塚本達雄, 大江和彦. 腎生検病理画像からの糸球体自動検出における2施設間の精度比較. 第10回日本医療情報学会 「医用人工知能研究会」人工知能学会「医用人工知能研究会」 (SIG-AIMED) 合同研究会.
 
6) Badrinarayanan V, Kendall A, Cipolla R. SegNet : A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Trans Pattern Anal Mach Intell. 2017 ; 39 (12) : 2481-2495.
PubMed
7) Ronneberger O, Fischer P, Brox T. U-Net : Convolutional Networks for Biomedical Image Segmentation. arXiv : 1505.04597.
 
8) Sachin Mehta, Mohammad Rastegari, Anat Caspi, Linda Shapiro, Hannaneh Hajishirzi. ESPNet : Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation. arXiv : 1803.06815v3.
 
P.25 掲載の参考文献
1) Ciresan DC, Giusti A, Gambardella LM, Schmidhuber J (2013) Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks. In : Mori K, Sakuma I, Sato Y, et al (eds) Medical Image Computing and Computer-Assisted Intervention-MICCAI 2013. Springer, Berlin, Heidelberg, pp 411-418
 
2) Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al (2017) Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA 318 : 2199-2210. https://doi.org/10.1001/jama.2017.14585
 
3) Nagpal K, Foote D, Liu Y, et al (2019) Development and validation of a deep learning algorithm for improving Gleason scoring of prostate cancer. npj Digit. Med. 2 : 48. https://doi.org/10.1038/s41746-019-0112-2
 
4) Kather JN, Krisam J, Charoentong P, et al (2019) Predicting survival from colorectal cancer histology slides using deep learning : A retrospective multicenter study. PLOS Medicine 16 : e1002730. https://doi.org/10.1371/journal.pmed.1002730
 
5) Kulkarni PM, Robinson EJ, Sarin Pradhan J, et al (2020) Deep Learning Based on Standard H & E Images of Primary Melanoma Tumors Identifies Patients at Risk for Visceral Recurrence and Death. Clin Cancer Res 26 : 1126-1134. https://doi.org/10.1158/1078-0432.CCR-19-1495
 
6) Coudray N, Ocampo PS, Sakellaropoulos T, et al (2018) Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nature Medicine 24 : 1559. https://doi.org/10.1038/s41591-Ol8-0177-5
 
7) Kather JN, Pearson AT, Halama N, et al (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25 : 1054-1056. https://doi.org/10.1038/s41591-019-0462-y
 
8) Yamashita R, Long J, Longacre T, et al (2021) Deep learning model for the prediction of microsatellite instability in colorectal cancer : a diagnostic study. Lancet Oncol 22 : 132-141. https://doi.org/10.1016/S1470-2045(20)30535-0
 
9) Komura D, Kawabe A, Fukuta K. et al. (2020) Deep Texture Representations as a Universal Encoder for Pan-cancer Histology. bioRxiv 2020. 07. 28. 224253. https://doi.org/10.1101/2020.07.28.224253
 
10) Fu Y, Jung AW, Torne RV, et al (2020) Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nature Cancer 1 : 800-810. https://doi.org/10.1038/s43018-020-0085-8
 
11) Kather JN, Heij LR, Grabsch HI, et al (2020) Pan-cancer image-based detection of clinically actionable genetic alterations. Nature Cancer 1 : 789-799. https://doi.org/10.1038/s43018-020-0087-6
 
12) Goodfellow IJ, Pouget-Abadie J, Mirza M, et al (2014) Generative Adversarial Networks. arXiv : 14062661 [cs, stat]
 
13) Rivenson Y, Wang H, Wei Z, et al (2019) Virtual histological staining of unlabelled tissue-autofluorescence images via deep learning. Nature Biomedical Engineering 3 : 466-477. https://doi.org/10.1038/s41551-019-0362-y
 
14) Rivenson Y, de Haan K, Wallace WD, Ozcan A (2020) Emerging Advances to Transform Histopathology Using Virtual Staining. In : BME Frontiers. https://spj.sciencemagorg/journals/bmef/2020/9647163/. Accessed 3 Mar 2021
 
15) Zhang Y, de Haan K, Rivenson Y, et al (2020) Digital synthesis of histological stains using micro-structured and multiplexed virtual staining of label-free tissue. Light : Science & Applications 9 : 78. https://doi.org/10.1038/s41377-020-0315-y
 
16) de Haan K, Zhang Y, Liu T, et al (2020) Deep learning-based transformation of the H & E stain into special stains improves kidney disease diagnosis. arXiv : 200808871 [physics]
 
P.28 掲載の参考文献
1) Rajkomar, A., Dean, J. & Kohane, I. Machine Learning in Medicine. N. Engl. J. Med. 380, 1347-1358 (2019).
 
2) Abd-Alrazaq, A. et al. Artificial intelligence in the fight against COVID-19 : Scoping review. Journal of Medical Internet Research vol. 22 (2020).
 
3) Myszczynska, M. A. et al. Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nature Reviews Neurology vol. 16440-456 (2020).
 
4) Kawakami, E. et al. Application of artificial intelligence for preoperative diagnostic and prognostic prediction in epithelial ovarian cancer based on blood biomarkers. Clin. Cancer Res. 25, 3006-3015 (2019).
PubMed
5) Ubels, J., Schaefers, T., Punt, C., Guchelaar, H. J. & de Ridder, J. Rainforest : A random forest approach to predict treatment benefit in data from (failed) clinical drug trials. Bioinformatics 36, 1601-1609 (2020).
 
6) Yao, X. et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction : a pragmatic, randomized clinical trial. Nat. Med. 1-5 (2021) doi : 10.1038/s41591-021-01335-4.
 
P.31 掲載の参考文献
1) 国立がん研究センタープレスリリース. AIを活用したリアルタイム内視鏡診断サポートシステム-大腸内視鏡検査での見逃し回避を目指す-. In : https://www.ncc.go.jp/jp/information/pr_release/2017/0710/index.html
 
2) 国立がん研究センタープレスリリース. 国立がん研究センターと日本電気株式会社が共同開発した内視鏡AI診断支援医療機器ソフトウェア「WISE VISION 内視鏡画像解析AI」医療機器承認. In : https://www.ncc.go.jp/jp/information/pr_release/2020/20210112/index.html
 
3) Yamada M, Saito Y, Imaoka H, et al. Development of a real-time endoscopic image diagnosis support system using deep learning technology in colonoscopy. Sci Rep 9 : 14465, 2019
PubMed
4) Yamada M, Saito Y, Yamada S, et al. Detection of flat colorectal neoplasia by artificial intelligence : A systematic review. Best Practice & Research Clinical Gastroenterology : 101745, 2021 In Press. https://doi.org/10.1016/j.bpg.2021.101745
 
P.33 掲載の参考文献
1) Hirasawa T, et al. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic image. Gastric Cancer. 2018 ; 21 : 653-660.
PubMed
2) Ishioka M, et al. Detecting gastric cancer from video images using convolutional neural networks. Digestive Endoscopy 2019 : 31 : e34-e35
 
3) Horiuchi Y, et al. Convolutional Neural Network for Differentiating Gastric Cancer from Gastritis Using Magnified Endoscopy with Narrow Band Imaging. Digestive Diseases and Sciences, 2019, oct. 4
 
4) Wu L, et al. Randomised controlled trial of WISENSE, a real-time quality improving system for monitoring blind spots during esophagogastroduodenoscopy. Gut 2019 ; 68 : 2161-9.
PubMed
P.36 掲載の参考文献
1) Kapur S, Phillips AG, Insel TR. Why has it taken so long for biological psychiatry to develop clinical tests and what to do about it?. Mol Psychiatry. 2012 ; 17 (12) : 1174-1179.
 
2) Tazawa Y, Liang KC, Yoshimura M, et al. Evaluating depression with multimodal wristband-type wearable device : screening and assessing patient severity utilizing machine-learning. Heliyon. 2020 ; 6 (2) : e03274.
PubMed
3) Horigome T, Sumali B, Kitazawa M, et al. Evaluating the severity of depressive symptoms using upper body motion captured by RGB-depth sensors and machine learning in a clinical interview setting : A preliminary study [published online ahead of print, 2020 Feb 20]. Compr Psychiatry. 2020 ; 98 : 152169.
 
4) Tian S, Sun Y, Shao J, et al. Predicting escitalopram monotherapy response in depression : The role of anterior cingulate cortex. Hum Brain Mapp. 2020 ; 41 (5) : 1249-1260.
PubMed
5) Bertolote JM, Fleischmann A. Suicide and psychiatric diagnosis : a worldwide perspective. World Psychiatry. 2002 ; 1 (3) : 181-185.
PubMed
6) Gradus JL, Rosellini AJ, Horvath-Puho E, et al. Prediction of Sex-Specific Suicide Risk Using Machine Learning and Single-Payer Health Care Registry Data From Denmark JAMA Psychiatry. 2020 ; 77 (1) : 25-34.
PubMed
7) Kishimoto T, Takamiya A, Liang KC, et al. The project for objective measures using computational psychiatry technology (PROMPT) : Rationale, design, and methodology. Contemp Clin Trials Commun. 2020 ; 19 : 100649. Published 2020 Aug 18.
 
P.38 掲載の参考文献
1) LeCun Y, Bengio Y, Hinton G. Deep learning, Nature. 2015 May 28 ; 521 (7553) : 436-444. doi : 10.1038/nature14539.
 
2) Choplin NT, Lundy DC. The sensitivity and specificity of scanning laser polarimetry in the detection of glaucoma in a clinical setting. Ophthalmology. 2001 May ; 108 (5) : 899-904.
 
3) Zangwill LM, Chan K, Bowd C, Hao J, Lee TW, Weinreb RN, Sejnowski TJ, Goldbaum MH. Heidelberg retina tomograph measurements of the optic disc and parapapillary retina for detecting glaucoma analyzed by machine learning classifiers. Investigative Ophthalmology and Visual Science 2004 Sep ; 45 (9) : 3144-3151.
PubMed
4) Mansoor Iqbal. YouTube Revenue and Usage Statistics (2020) https://www.businessofapps.com/data/youtube-statistics/ (2021/05/16アクセス)
 
5) Amazonロボットコンテスト 物流センター自動化子会社が主催, 各国からファイナリスト16人出場アマゾンのロボットコンテスト, 7月に日本初開催 https://www.logi-today.com/287789 (2021/05/16アクセス)
 
6) https://www.youtube.com/watch?v=2HMPRXstSvQ https://youtu.be/2HMPRXstSvQ (2021/05/16アクセス)
 
7) van der Heijden AA, Abramoff MD, Verbraak F, van Hecke MV, Liem A, Nijpels G. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmologica. 2018 Feb ; 96 (1) : 63-68.
PubMed
8) 安田美穂. 糖尿病網膜症の疫学. OCULISTA. 2013 ; 8 : 1-5
 
9) Tajimi Study Group, Japan Glaucoma Society. The prevalence of primary open-angle glaucoma in Japanese : the Tajimi Study. Ophthalmology. 2004 ; 111 (9) : 1641-1648.
 
10) Tajimi Study Group, Japan Glaucoma Society. The Tajimi Study report 2 : prevalence of primary angle closure and secondary glaucoma in a Japanese population. Ophthalmology. 2005 ; 112 (10) : 1661-1669
 
11) Medeiros FA, Jammal AA, Thompson AC. From machine to machine : an OCT-Trained deep learning algorithm for objective quantification of glaucomatous damage in fundus photographs. Ophthalmology. 2019 ; 126 (4) : 513-521.
PubMed
12) Lee T, Jammal AA, Mariottoni EB, Medeiros FA. Predicting glaucoma development with longitudinal deep learning predictions from fundus photographs. American Journal of Ophthalmology. 2021 ; 225 : 86-94. Doi : 10.1016/j.ajo.2020.12.031.
 
13) Nagasawa T, Tabuchi H, Masumoto H, Morita S, Niki M, Ohara Z, Yoshizumi Y, Mitamura Y. Accuracy of diabetic retinopathy staging with a deep convolutional neural network using ultra-wide-field fundus ophthalmoscopy and optical coherence tomography angiography. Journal of Ophthalmology. 2021 Apr 3 ; 2021 : 6651175. doi : 10.1155/2021/6651175. eCollection 2021
 
P.44 掲載の参考文献
1) 田坂広志 : 能力を磨く AI時代に活躍する人材「3つの能力」 2019, 日本実業出版社
 
2) Annarumma M, et al. Automated Triaging of Adult Chest Radiographs with Deep Artificial Neural Networks. Radiology. 2019 ; 291 (1) : 196-202.
PubMed
3) Ureten K, et al. Detection of rheumatoid arthritis from hand radiographs using a convolutional neural network. Clin Rheumatol. 2020 ; 39 (4) : 969-974.
PubMed
4) Larson DB, et al. Performance of a Deep-Learning Neural Network Model in Assessing Skeletal Maturity on Pediatric Hand Radiographs. Radiology. 2018 ; 287 : 313-322.
PubMed
5) Prevedello LM, et al. Automated Critical Test Findings Identification and Online Notification System Using Artificial Intelligence in Imaging. Radiology. 2017 ; 285 : 923-931.
PubMed
6) Tomita H, et al. Deep Learning for the Preoperative Diagnosis of Metastatic Cervical Lymph Nodes on Contrast-Enhanced Computed Tomography in Patients with Oral Squamous Cell Carcinoma. Cancers (Basel). 2021 ; 13 (4) : 600.
PubMed
7) Walsh SLF, et al. Deep learning for classifying fibrotic lung disease on high-resolution computed tomography : a case-cohort study. Lancet Respir Med. 2018 Nov ; 6 (11) : 837-845.
 
8) Rauschecker AM, et al. Artificial Intelligence System Approaching Neuroradiologist-level Differential Diagnosis Accuracy at Brain MRI. Radiology. 2020 ; 295 : 626-637.
PubMed
9) Murphy K, et al. COVID-19 on Chest Radiographs : A Multireader Evaluation of an Artificial Intelligence System. Radiology. 2020 ; 296 : E166-E172.
PubMed
10) Bai HX, et al. Artificial Intelligence Augmentation of Radiologist Performance in Distinguishing COVID-19 from Pneumonia of Other Origin at Chest CT. Radiology. 2020 ; 296 (3) : E156-E165.
PubMed
11) Lu MT, et al. Deep Learning to Assess Long-term Mortality From Chest Radiographs. JAMA Network Open. 2019 ; 2 (7) : e197416.
PubMed
12) Lin W, et al. Convolutional Neural Networks-Based MRI Image Analysis for the Alzheimer's Disease Prediction From Mild Cognitive Impairment. Front Neurosci. 2018 Nov 5 ; 12 : 777. doi : 10.3389/fnins.2018.00777. eCollection 2018.
 
13) Esteva A et al. Dermatologist-level classification of skin cancer with deep neural networks.. Nature. 2017 2 ; 542 (7639) : 115-118.
PubMed
14) Marron RC, et al. Artificial Intelligence and Its Effect on Dermatologists' Accuracy in Dermoscopic Melanoma Image Classification : Web-Based Survey Study. J Med Internet Res. 2020 ; 22 (9) : e18091
 
15) Hirasawa T, et al. Application of AI using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer. 2018 ; 21 (4) : 653-660.
PubMed
16) Hirasawa T, et al. Application of Convolutional Neural Networks in the Diagnosis of Helicobacter pylori Infection Based on Endoscopic Images. EBioMedicine. 2017 ; 25 : 106-111. doi : 10.1016/j.ebiom2017.10.014. Epub 2017 Oct 16.
 
17) Horie Y, et al. Diagnostic outcomes of esophageal cancer by artificial intelligence using convolutional neural networks. Gastrointest Endosc. 2019 ; 89 : 25-32. doi : 10.1016/j.gie.2018.07.037.
 
18) Ozawa T, et al. Novel computer-assisted diagnosis system for endoscopic disease activity in patients with ulcerative colitis. Gastrointest Endosc. 2019 ; 89 : 416-421.e1. doi : 10.1016/j.gie.2018.10.020.
 
19) Ozawa T, et al. Automated endoscopic detection and classification of colorectal polyps using convolutional neural networks. Therap Adv Gastroenterol. 2020 Mar 20 ; 13 : 1756284820910659. doi : 10.1177/1756284820910659. eCollection 2020.
 
20) Ishioka M, et al. Detecting gastric cancer from video images using convolutional neural networks. Dig Endosc. 2019 ; 31 : e34-e35. doi : 10.1111/den.13306. Epub 2018 Dec 21.
 
21) MIT Technology Review (https://www.technologyreview.jp/nl/fda-approves-first-ai-powered-diagnostic-that-doesntneed-a-doctors-help/)
 
22) Anna S, et al. Artificial Intelligence Algorithms to Diagnose Glaucoma and Detect Glaucoma Progression : Translation to Clinical Practice. Translational Vision Science & Technology November 2020, Vol. 9, 55.
 
23) Poplin R, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018 ; 2 (3) : 158-164.
PubMed
24) Bejnordi BE, et al. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 ; 318 (22) : 2199-2210. doi : 10.1001/jama.2017.14585.
 
25) Naik N, et al. Deep learning-enabled breast cancer hormonal receptor status determination from base-level H & E stains. Nat Commun. 2020 ; 11 (1) : 5727.
 
26) Lin S, et al. Feasibility of using deep learning to detect coronary artery disease based on facial photo. Eur Heart J. 2020 Dec 7 ; 41 (46) : 4400-4411.
 
P.53 掲載の参考文献
1) T. Seki et al., PLOS ONE, vol. 16, no. 2, p. e0246640, 2021.
 
2) H. Kurasawa et al., J. Diabetes Sci. Technol., vol. 10, no. 3, pp. 730-736, 2016.
 
3) H. Kurasawa et al., 日本腎臓学会誌, vol. 60, no. 3, p. 298, 2018.
 
4) NTT持株会社ニュースリリース http://www.ntt.co.jp/news2018/1805/180516a.html
 
P.57 掲載の参考文献
1) https://www8.cao.go.jp/cstp/society5_0/index.html
 
2) https://www.nibiohn.go.jp/nibio/part/promote/files/SIP-AI-hospital.pdf#search='AI%E3%83%9B%E3%82%B9%E3%83%94%E3%82%BF%E3%83%AB'
 
3) https://www.keio.ac.jp/en/press-releases/2020/Aug/31/49-74338/
 
4) https://www.keio.ac.jp/ja/press-releases/2021/2/1/28-77724/
 
5) https://www.keio.ac.jp/ja/press-releases/2020/7/15/28-71224/
 
6) https://www.keio.ac.jp/ja/press-releases/2020/12/22/28-77042/
 
7) https://www.keio.ac.jp/ja/press-releases/2020/10/9/28-75629/
 
P.66 掲載の参考文献
1) Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 ; 542 (7639) : 115-118.
PubMed
2) Jin B, Qu Y, Zhang L, Gao Z. Diagnosing Parkinson disease through facial expression recognition : video analysis. J Med Internet Res. 2020 ; 22 (7) : e18697.
PubMed
3) Scanlan J, Li FF, Umnova O, Rakoczy G, Lovey N, Scanlan P. Detection of osteoporosis from percussion responses using an electronic stethoscope and machine learning. Bioengineering (Basel). 2018 ; 5 (4).
PubMed
4) Chen Y-M, Miaou S-G, Bian H. Examining palpebral conjunctiva for anemia assessment with image processing methods. Comput Methods Programs Biomed. 2016 ; 137 : 125-135.
PubMed
5) TUNA SCOPE-匠の目利きを, AIに託す. https://tuna-scope.com/jp/ (参照 2021-08-20)
 

第4章 AIと医療に関わる人材育成

P.71 掲載の参考文献
1) P. Rajpurkar et al., "Chexnet : Radiologist-level pneumonia detection on chest x-rays with deep learning," arXiv preprint arXiv : 1711.05225, 2017.
 
2) A. Janowczyk and A. Madabhushi, "Deep learning for digital pathology image analysis : A comprehensive tutorial with selected use cases". Journal of pathology informatics, vol. 7, 2016.
 
3) 中山浩太郎, "コミュニティ型のAI人材育成-東京大学におけるAI講座運営からの学び-," 情報処理, vol. 60, no. 7, pp. 644-651, Jun. 2019.
 
4) "Amazon Web Services (AWS)." https://aws.amazon.com/.
 

第5章 AI医療の倫理的側面とリスク

P.74 掲載の参考文献
1) 日本産業規格 JIS T14971 : 2020 医療機器-リスクマネジメントの医療機器への適用
 
2) Endsley, M., Design and evaluation for situational awareness enhancement. Proceedings of the Human Factors Society 32nd Annual Meeting. HFES, Santa Monica, 97-101, 1988.
 
3) Endsley, M., Measurement of situation awareness in dynamic systems. Hum Factors 37 (1) : 65-84, 1995.
 
4) 医薬品医療機器総合機構, AIを活用した医療診断システム・医療機器等に関する課題と提言 2017.
 
5) 令和元年5月23日薬生機審発0523 第2号 別添4, 人工知能技術を利用した医用画像診断支援システムに関する評価指標, 2019.
 
P.79 掲載の参考文献
1) 甲斐克則編『医療情報と医事法【医事法講座 9】』信山社, 2019年
 
2) 計測自動制御学会編・藤原幸一・久保孝富編著『計測・制御セレクションシリーズ 1次世代医療AI-生体信号を介した人とAIの融合-』コロナ社, 2021年
 
3) 番号創国推進協議会・日本ユーザビリティ医療情報化推進協会 (JUMP) 共同提言「自治体データ及び医療データ連携と個人情報保護法制の問題点～個人情報保護法制 2000 個問題の立法的解決に向けて」2015年
 
4) 藤田卓仙「医学・医療分野における人工知能と知的財産」BRAIN and NERVE Vol. 71 No. 7 July 2019, P705-714, 医学書院, 2019年
 
5) 経済産業省「AI・データの利用に関する契約ガイドライン 1.1版」 (2019年12月) https://www.meti.go.jp/press/2019/12/20191209001/20191209001.html
 
6) 厚生労働省・個人情報保護委員会「医療・介護関係事業者における個人情報の適切な取扱いのためのガイダンス」 (厚生労働省HP) https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000027272.html
 
7) 厚生労働省「医療情報システムの安全管理に関するガイドライン (第5版) 」 (2017年5月公表) https://www.-mhlw.go.jp/stf/shingi2/0000166275.html
 
8) 経済産業省・総務省による「医療情報を取り扱う情報システム・サービスの提供事業者における安全管理ガイドライン」 (2020年8月公表) https://www.meti.go.jp/press/2020/08/20200821002/2020021002.html
 
9) 医療情報システムを安全に管理するために (第2版) 「医療情報システムの安全管理に関するガイドライン」全ての医療機関等の管理者向け読本 https://www.mhlw.go.jp/file/05-Shingikai-12601000-Seisakutoukatsukan-Sanjikanshitsu_Shakaihoshoutantou/0000166270.pdf
 
10) 文部科学省・厚生労働省・経済産業省「人を対象とする生命科学・医学系研究に関する倫理指針」 (2021年3月23日) https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/hokabunya/kenkyujigyou/i-kenkyu/index.html
 
11) WMA Declaration of Taipei on Ethical Considerations regarding Health Databases and Biobanks https://www.wma.net/policies-post/wma-declaration-of-taipei-on-ethical-considerations-regarding-health-databases-and-biobanks/
 
12) World Economic Forum White Paper, APPA-Authorized Public Purpose Access : Building Trust into Data Flows for Well-being and Innovation, 2020年1月17日
 
13) 宮田裕章『データ立国論』PHP新書, 2021年
 
P.81 掲載の参考文献
1) McCarthy et al : A proposal for the Dartmouth Summer Research Project on Artificial Intelligence. AI Magazine 27 : 12-14, 2006
 
2) Silver et al : Mastering the Game of Go with Deep Neural Networks and Tree Search, Nature, 2016
PubMed
3) 医薬品医療機器総合機構 : 医用画像解析ソフトウェア EIRL aneurysm, https://www.info.pmda.go.jp/ygo/pack/171955/30100BZX00142000_A_00_02/ (2021年5月11日アクセス)
 
4) 医薬品医療機器総合機構 : COVID-19肺炎画像解析AIプログラム InferRead CT Pneumonia, 2020, https://www.pmda.go.jp/files/000235941.pdf (2021年4月26日アクセス)
 
5) Litjens et al : A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis Volume 42, 2017 : pp60-88
 
6) Kudo et al : Artificial Intelligence-assisted System Improves Endoscopic Identification of Colorectal Neoplasms. Clinical Gastroenterology and Hepatology, Volume 18, Issue 8, 2020 : pp1874-1881.e2
 
7) Otter et al : A Survey of the Usages of Deep Learning for Natural Language Processing. IEEE Transactions on Neural Networks and Learning Systems, Volume 32, Issue 2, 2019 : pp604-624
 
8) Lee et al : BioBERT : a pre-trained biomedical language representation model for biomedical text mining. Bioinformatics, Volume 36, Issue 4, 2020 : pp1234-1240
 
9) Brockman et al : OpenAI Gym. arXiv, 2016
 
10) MONOist : 国産手術支援ロボット「hinotori」がIoTプラットフォームと連携, AI解析が可能に, https://monoist.atmarkit.co.jp/mn/articles/2010/27/news029.html (2021年5月19日アクセス)
 
11) Gunning and Aha : DARPA's Explainable Artificial Intelligence Program. AI Magazine, Volume 40 No 2, 2019
 
12) Ribeiro et al : "Why Should I Trust You? " : Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016
 
13) Mark Coeckelbergh : AIの倫理学, 丸善出版, pp97-104, 2020
 

書評

最近チェックした商品履歴

Loading...