医療分野のデジタル変革により、専門性の向上と運用効率の改善が実現されている。AIテクノロジーは、医師から患者まで、医療に関わるすべての人々の活動を支援する重要な役割を果たしている。
従来の医療システムとAI導入後の変化
従来の医療機器には機能的な制約があり、汎用的な用途に限定されていた。また、医師が適切な判断を下すための技術的サポートが不足していたケースも多い。遠隔患者モニタリングシステムを導入しても、医療スタッフが24時間体制で患者を監視することは困難であった。
Edge AIがもたらす医療現場の革新
Edge AIは低遅延・高帯域幅でのデータ伝送と優れた処理能力を活かし、医療チームの迅速な意思決定を支援する。リアルタイムでの画像解析や患者データの処理により、緊急時の対応速度が大幅に向上する。Edge AIの実装方法については、こちらの詳細記事を参照されたい。
AIツールの導入により、臨床医の診断精度と異常検出速度が向上している。特に病理画像解析においては、専門医の診断をサポートし、医療文書作成の効率化など、病院全体のワークフロー最適化に貢献している。
遠隔患者モニタリングシステム
迅速なケアが必要な患者に対し、AIモニタリングシステムが重要な役割を果たしている。患者の状態変化を予測し、危険度が高まった際に医療スタッフへ即座に通知する機能を備えている。
このシステムは、小型コンピュータとカメラを組み合わせ、患者の行動をリアルタイムで捕捉する。Edge AIモデルが収集したデータを解析し、異常なパターンを検出した場合は、医療チームに自動的にアラートが送信される。
AI搭載医療デバイスの主な利点
- ヒューマンエラーの低減：患者の転倒や異常行動を高精度で検出
- コスト削減：24時間体制の人的監視が不要
- 原因分析機能：単なる転倒検出ではなく、転倒リスク要因（歩行器の位置、ベッド周辺環境等）をAIが分析
コンピュータビジョン技術の活用
姿勢推定
alwaysAIは、簡単なステップでコンピュータビジョンモデルをサポートし、NVIDIA Jetsonでのエッジ推論の実行もサポートします。事前訓練されたモデルのカタログ、ローコードモデル訓練ツールキット、および開発者のあらゆるレベルでコンピュータビジョンアプリケーションの構築とカスタマイズを支援する強力なAPIセットを提供します。
AIを活用することで、患者の動きや姿勢を継続的に追跡し、転倒リスクを事前に予測できる。コンピュータビジョンモデルは、特定の行動パターンを学習し、異常を検出した場合に医療スタッフへアラートを送信する。
物体検出
Roboflowは、医療問題解決コンピュータビジョンモデルを段階的に作成することで、一流の医療企業向けにエンドツーエンドCVソリューションを提供しています。まず、コンピュータビジョン手法を使用して特定のシナリオからオブジェクトを検出・分類し、次に超音波、X線、内視鏡、サーモグラフィー、MRI、セキュリティフィードの画像から必要なすべてのデータにラベルを付け、最終的にRoboflowにアップロードして医療現場に実装し、はるかに高い精度を提供します。Roboflowは血液細胞の画像を含む物体検出データセットBCCDを含む数十の公開データセットをホストしています。Jetsonデバイスにカスタムモデルをデプロイするには、Roboflowを使用した高速アノテーション、カスタムYOLOv5モデルの訓練、エッジでの推論方法！に関するwikiチュートリアルをご確認ください。
スマート監視システムのその他の実装アプローチ
- 隠れマルコフモデル：
- 患者の状態（立位、臥位、座位、歩行、転倒）を識別し、過去の状態変化から転倒リスクを予測
- TensorRTを活用した姿勢推定：
- OpenPifPafやTensorRTを使用してキーポイント追跡を実現。詳細はTensorRTとYOLOv5で推論を高速化の記事を参照
- 背景差分アルゴリズムと姿勢動揺解析：
- 身体の揺れ幅を解析して患者状態を識別し、環境ノイズの影響を最小化
デジタル病理診断システム
従来の病理診断では、病理学者が顕微鏡を用いて手作業で画像を分析し、細胞の種類を識別・計数して陽性率を算出していた。
しかし、この手法には以下の課題がある：
- 診断結果のバラツキ：診断者による判断差が大きく、再現性が低い
- 作業効率の問題：全プロセスに時間がかかる
- 精度の限界：目視による推定のため、正確な数値化が困難
- データ管理の課題：物理スライドでの保存のため、検索や共有が不便
深層学習を活用したデジタル病理診断システムは、診断精度の向上と作業効率の改善を実現する。特に、疾患検出、標的特定、関心領域のセグメンテーションにおいて、定量的かつ高精度な解析が可能となる。
Edge AI技術は、デジタル病理学においてROI（関心領域）の検出やセグメンテーション、高度な疾患パターン認識に活用されている。
AI診断システムの動作原理
Edge AIは機械学習を活用してWSI（全スライドイメージング）の自動解析を実現する。病理スライドはスキャナーでデジタル化され、高速ナビゲーション、デジタルアノテーション、AI支援解析などの機能が利用可能となる。
最小限の画像アノテーション情報で最大限利用可能な画像データセットを改善するため、通常、弱教師あり学習手法が採用され、機械学習の能力を最大限に発揮してより正確なモデルを構築します。
さらに、WISでは画像のピクセルサイズがギガピクセルに達し、GPU メモリを過度に占有し、解析を困難にします。現在、一般的なレベルのコンピュータは、全ピクセル処理WSIの基準を満たすことができず、認識精度の大幅な低下を招きます。
そのため、CNNアルゴリズムとグリッドベースアテンションネットワークで構成されるスライディングウィンドウ検出分類モデルは、画像をローカルブロックマップ（パッチ）エリアに分割し、各ブロックの情報を解析して特徴を抽出し、情報を集約して結果を得ることができます。このアプローチは、メモリ使用量の削減とモデル効率の向上に効果的です。
画像の視覚カテゴリを検出するための畳み込みニューラルネットワークの処理フロー：
GTC 2021で、Grundium LtdはNVIDIA Jetsonプラットフォームの計算能力を活用して病理用全スライドスキャナーを再考する方法を示しました。深層学習ベースの画像解析をスキャンプロセスとインターリーブすることができます。そのため、スキャンが完了したときに結果を準備でき、診断スループットが向上します。
NVIDIAのブログAI at the Point of Care: Startup’s Portable Scanner Diagnoses Brain Stroke in Minutesから、NVIDIA Jetson AGX Xavierを搭載した軽量脳スキャンデバイスが、エッジでのエネルギー効率的な推論により32 TeraOpsのAI性能を提供しています。インテリジェント組み込みシステムは、脳信号がどのように相互作用し、さらなる診断を特定したかを把握します。
次世代モジュールJetson Orin Nanoも活用が期待されている。SeeedではOrin NXとOrin Nano搭載のreComputerをリリースしている。
MathWorks GPU Coderを使用したNVIDIA Jetsonへの予測パイプラインデプロイも可能である。
このソリューションでは、不整脈（ARR）、うっ血性心不全（CHF）、正常洞調律（NSR）を区別する分類器を訓練する。以下の3つのグループのECGデータを使用：
- 不整脈患者グループ
- うっ血性心不全患者グループ
- 正常洞調律グループ
Seeed NVIDIA Jetsonエコシステム
Seeed StudioはNVIDIA Partner NetworkのEdge AI Eliteパートナーである。SeeedのNVIDIA Jetsonエコシステムページでは、キャリアボード、フルシステムデバイス、カスタマイゼーションサービス、ユースケース、開発者ツールを提供している。
AI革新の最前線へようこそ。最先端のハードウェアと技術を活用し、産業界全体の機械学習実装を推進している。Edge AIの可能性を探るため、ケーススタディカタログを参照されたい。
詳細については[email protected]までお問い合わせいただきたい。
最新のJetson製品カタログをダウンロードし、最適なソリューションを見つけていただきたい。既製品ではニーズを満たせない場合は、カスタマイゼーションサービスを利用いただくか、[email protected]までお問い合わせいただきたい。