今回は、中川研の佐藤一誠が担当しました。
東大病院との共同研究として行っているプロジェクトの１つである
「深層学習(Deep Learning)とベイズ的最適化(Bayesian Optimization)による医用画像読影支援の試み」について説明しました。
これまでは論文を書いて投稿してを繰り返す日々でしたが、アカデミアの研究者としては、論文以外の社会貢献もしっかりと行いたいという強い気持ちがあり、最近ではこのような研究を行っています。
ここでのモチベーショは、医用画像診断をする際に、医師の負担を軽減することです。
例えば、CTやMRIを用いて１回の診断で生成される画像は300-500枚、時には1000枚を超えることがあり、これらを10-30分程度で分析しなければいけません。
近年、分析すべき画像枚数は増加傾向にあり、取りこぼしの危険性が増加しています。
この危険性をできるだけ軽減するのが目的です。
これは、自動車の「自動ブレーキアシストシステム」が近い概念だと思います。
つまり、万が一の場合にアシストするシステムです。
現在は、医用画像から特徴量を設計する部分を人手で（医師による知識を用いて）行っています。
しかし、医用画像の病変は、症例毎に性質が異なり、これらを症例ごとに設計するのは高コストです。この研究では、画像から直接特徴量を学習できる深層学習を用いることで、これらの問題解決を行っています。
しかし、深層学習では、チューニングすべきパラメータが膨大であるため、この部分にも人手によるコストが発生してしまします。そこで、ベイズ的最適化と呼ばれる分野の技術を用いることでこれらも自動チューニングすることを試みています。
ベイズ的最適化は、1978年と古くから研究されており、一般的に高コストなBlack-box関数y=f(x)の最適化を行う手法の総称で、
関数の形がわからないので、事前分布を導入し、事例(x,y)が与えられる毎に事後分布を更新し、その情報を用いて最適化x*=argmax/argmin f(x)を行います。
深層学習では、ハイパーパラメータとそれによって出力される値（交差検定によって得られる精度など）の関係は、Black-boxであるため、
この技術を用いることで、ハイパーパラメータのチューニングを行うことが出来ます。
