AIの研究開発からシステム化まで

2007年、CUDAベータ版の公開を機に、GPUを活用して機械学習を高速化する研究を始めました。以来、Deep Learningの研究開発を続けています。

長年のシステム開発で培った経験を活かし、AIモデルの研究開発から、そのモデルを組み込んだシステムの構築まで行っています。

最近の研究

  1. Deep Learningによる医療画像の病変検出・ステージ推定

    医療画像から病変を検出し、その状態をステージとして推定するモデルを研究しています。病変の検出にはYOLO11を、ステージの推定にはConvNeXt V2やEfficientNetV2、ConvNeXtなどを土台にしたモデルを用いています。学習に使える医療データが限られるなかでも推定が安定するよう、学習方法の工夫と検証を重ねています。

    結果を確認・修正しながら、モデルの性能を検証できるようにシステム化しています。機密性の高い医療データを扱うため、モデルの学習は、Google Cloud(GCP)やAmazon Web Services(AWS)などのクラウドサービスを利用せず、社内に構築した専用のGPUマシンで行っています。

    学習データと検証データの誤差の推移を示す学習曲線(概念図)
    Methods
    • YOLO11
    • Multiple Instance Learning (MIL)
    • ConvNeXt V2
    • EfficientNetV2
    • FastAPI
    • DICOM
  2. コホートデータを用いたリスク因子の特定と発症予測

    リスク因子の特定や発症リスクの予測に関する研究に取り組んでいます。LSTMを用いた時系列データの分類、ベイズ最適化とLightGBMを組み合わせたリスク因子の探索や、反実仮想説明を用いた、発症リスクの抑制に向けた生活習慣の改善を行っています。

    各項目がモデルの出力に与えた影響(SHAP値)の分布
    Methods
    • LSTM
    • LightGBM
    • Optuna
    • SHAP
    • Survival Analysis
    • Counterfactual Explanations
    • SMOTE
    • Exploratory Data Analysis (EDA)
  3. 試験問題の自動生成

    医学部の卒業試験の問題を、医師国家試験の出題内容や形式に沿って作成できるよう、2018年からシステムの開発・保守を続けています。これまでの経験を活かし、医師国家試験の過去問をもとに、新たな試験問題を生成する研究にも取り組んでいます。

    学習アプリの分野選択画面
    Methods
    • Retrieval-Augmented Generation (RAG)
    • Vector Search
  4. 衛星画像から得られるNDVI時系列データのノイズ低減

    正規化植生指数(NDVI)は、圃場ごとの作物の生育状態を把握し、生育ステージや葉色を推定するための基礎データとして活用されます。衛星画像を利用することで、広い範囲に点在する圃場をまとめて観測し、生育の変化を継続的に捉えられる利点があります。

    一方、衛星画像から算出したNDVIには、雲や大気中での光の散乱などの影響が含まれるため、生育状態を適切に評価するには、こうしたノイズを低減する処理が欠かせません。NDVIの時系列に含まれるノイズを低減し、作物の生育の変化をより正確に捉える手法の研究に取り組んでいます。

    NDVIの観測値とノイズ低減後の曲線
    Methods
    • Sentinel-2
    • Savitzky–Golay Filter
    • LSTM

サービス

AIの研究開発からシステム化まで対応しています。研究計画書や解析レポートの作成では、技術的な内容の検討から執筆まで支援します。

臨床研究者標準化シラバスに準拠した CREDITS 課程(倫理・行動規範/臨床研究実施)を修了しています。

  1. AIの研究開発とシステム化

    AIモデルの設計・実装、学習・検証といった研究開発から、開発したモデルを組み込んだシステムの構築まで行います。

  2. 研究計画書の技術パート

    深層学習、機械学習の手法やGPUなどの学習環境といった技術部分の設計と記述を行います。

  3. 解析レポートの作成

    研究目的に応じた解析手法の検討から、データ解析、レポート作成まで行います。

お問い合わせ