DLLAB Healthcare Day 2021 ~医療 x AI への参入障壁を乗り越える~ Cellspect株式会社/株式会社biomy AI Lab部長 / 代表取締役社長 小西哲平氏

1. AIによる細胞診⽀援技術の紹介と
AI⼈材が考える医療バイオ領域における
参⼊障壁の乗り越え⽅
Cellpsect株式会社 AI lab 部⻑
株式会社biomy 代表取締役社⻑
⼩⻄哲平
1

2. ⾃⼰紹介
2
⼩⻄哲平
- ⼤阪⼤学⼤学院基礎⼯学研究科修了
- Wearable computingに関する研究
- NTTドコモ先進技術研究所
- 位置情報サービスの⾏動履歴やWeb履歴のデータ
解析、AIによる動画像解析の研究/新規事業開発
- 現在の所属
- 株式会社biomy CEO
- Cellspect AI Lab 部⻑
- ITベンチャー CTO
- 秋⽥⼤学⼤学院医学系研究科
- 理化学研究所
本⽇の登壇内容

3. AIすごい => AIをどう使うか にシフト
3
丸善丸の内店でコンピュータ書 1位

4. 4
AIができること
ビジネスニーズ

5. 5
ここを⾒極める⼒を⾝につけることが重要
AIができること ビジネスニーズ

6. 本⽇の内容
6
1. 事例紹介
1. ⼦宮頸癌細胞診AI
2. 病理画像AI解析によるコンパニオン診断
3. CAR-T細胞活性評価AI
2. AI⼈材が考える医療バイオ領域における参⼊障壁の乗り越え
⽅

7. 本⽇の内容
7
1. 事例紹介
1. ⼦宮頸癌細胞診AI
2. 病理画像AI解析によるコンパニオン診断
3. CAR-T細胞活性評価AI
2. AI⼈材が考える医療バイオ領域における参⼊障壁の乗り越え
⽅

8. 細胞診とその現状
• 細胞診とは
• ⼦宮がん検診などで⾏われる検査で、婦⼈科材料・腹⽔・胸⽔・尿・喀
痰から採取した細胞に腫瘍性病変があるかを調べる検査
• 現状
• ⽇本の⼦宮頸がん検診受診率は40%台だが最近では受診率は増加傾向に
ある
• ⼀⽅で、細胞検査⼠は慢性的に不⾜していると⾔われている
• 途上国にはそもそも細胞検査⼠がいない国も存在（ 例 カンボジアな
ど）

9. AIによる細胞診画像の⾃動分類技術を⽤い
細胞検査⼠の負担を軽減する

10. 細胞診の分類
正常 軽度の炎症 組織変化
HPV感染
軽度異形 中等度異形 ⾼等度異形 早期がん 進⾏がん
NILM ASC-US ASC-H
LSHL HSHL SCC
AGC AIS
Adenocar
cinoma
（扁平上⽪系異常）
（腺細胞系）
ベゼスダ分類
細胞の変化

11. 細胞診画像の例（⼦宮細胞）
ASC-H
LSIL
ASC-US
Herpes
SCC
HSIL AGC Adenocarcinoma
• 異形細胞から炎症、ウィルス感染、正常細胞など約⼗数種類の
分類が存在

12. 鏡検の⽅法
検体全体を低倍率で確認 怪しい箇所を拡⼤ 判定/所⾒作成
判定結果：HSIL
標本上に核肥⼤、核形不整、
核クロマチン増量を⽰す中
層系異型扁平上⽪細胞を認
めます。全体像より
Moderate dysplasiaを考え
HSILと判定しました。

13. 多クラス分類モデル
約1万枚の画像とラベルデータを元にDeep Learningを⽤いた
多クラス分類モデルを構築
ASC-H
LSIL
ASC-US
Herpes
SCC
HSIL AGC AC
・・・
約1万枚の画像と
ラベルデータ
データ拡張
（回転、並⾏移動など）
-15° +15°
-30° +30°
-45° +45°
・・・
Deep learning
による学習
ネットワーク構造や損失関数を様々試し
もっともスコアが良いものを採⽤

14. Demo
投影のみ

15. 評価結果
投影のみ

16. 本成果を国際会議にて発表
• IGCS2019（国際婦⼈科がん学会）
• ⽇本で唯⼀オーラルセッションに採択

17. 本⽇の内容
17
1. 事例紹介
1. ⼦宮頸癌細胞診AI
2. 病理画像AI解析によるコンパニオン診断
3. CAR-T細胞活性評価AI
2. AI⼈材が考える医療バイオ領域における参⼊障壁の乗り越え
⽅

18. 18
AI解析を⽤いたコンパニオン診断
MSI-H
捨てられていた情報を全て加味しているため、より精度の⾼い予後予測が可能
⇨Companion AI Diagnostics (CAIDx)
IHC
検査結果
⾎液中バイオマーカー
ルールベース
・Aというタンパクの発現量
・Bという遺伝的な情報
⇒閾値との⽐較により定性的に判断
情報のロス
End-to-end
・AIがどれくらい効きそうかをスコアとして算出
⇒スコア閾値を設定すれば後はルールベースと同様
遺伝⼦変異

19. 19
今までのコンパニオン診断
疾患群
効く群
効かない群
コンパニオン
診断の基準
新たな
バイオマーカー
投与可能な⼈は少なく
なるが効きは良くなる
投与可能な⼈は多く
なるが効かなくなる
予後予測バイオ
マーカー研究
より正確な予測はできる⼀⽅、投
与可能な群はどんどん減っていく
現実の、「効く⼈と効かない⼈の境界」はより複雑
⇨より深い疾病の理解にAIは必要では？

20. 20
CAIDxの普及がもたらすインパクト
臨床試験の成功率上昇させたい
既存薬剤が効かない⼈はこういう特徴があります
既存の処⽅が効きづらい群を選びます
創薬ターゲットを発⾒したい
効果は⾼いが、患者スペクトルが狭い薬剤の⾒直し
こういう患者であれば第1選択薬より
効きのいいレジメンがあります
こういう患者であれば副作⽤が出づらいです

21. 21
conventional approach
⼈によるアノテーション
State A
State B
deep learning
Biomyʼs approach
(advanced deep learning)
アノテーション無
しでAIに適⽤
元データを⾃動でク
ラスタ化し、ラベル
1000-1万例程度のデータセットが必要
⼈間が認知している特徴のみを抽出可能
データをラベルするインプットを最⼩化
⼈間の⾒つけていない特徴を抽出可能
捨てられていた情報をどう拾うか

22. 22
Demo：病理画像解析システム

23. 本⽇の内容
23
1. 事例紹介
1. ⼦宮頸癌細胞診AI
2. 病理画像AI解析によるコンパニオン診断
3. CAR-T細胞活性評価AI
2. AI⼈材が考える医療バイオ領域における参⼊障壁の乗り越え
⽅

24. 24
CAR-T細胞の活性評価
CAR-T細胞とターゲットを共培養した画像を撮影することで、CAR-T細胞の活性評価を⾏う。
FACSと⽐較して簡便で、より直接的な情報に基づくキリング評価が可能となる。
[技術的特徴]
- アノテーションをほぼ⾏うことなく、学習⽤データを⾃動
で⽣成する技術により、CAR-T細胞とターゲット細胞
を識別
CAR-T細胞を
⻘⾊で表⽰

25. 本⽇の内容
25
1. 事例紹介
1. ⼦宮頸癌細胞診AI
2. 病理画像AI解析によるコンパニオン診断
3. CAR-T細胞活性評価AI
2. AI⼈材が考える医療バイオ領域における参⼊障壁の乗り越え⽅

26. AI⼈材が考える参⼊障壁の乗り越え⽅
26
AIができること ビジネスニーズ
医療/製薬業界に関
する理解
AI開発の⼒
私の場合は、医学系研究
科博⼠課程に通うことで
補完
AI・医療を⼀次情報として理解できるような⼈材になること
- 最新技術トレンド
- 実装⼒
- フィージビリティ
- 専⾨知識
- 法規制
- カルチャー
- 現場の動き
- ニーズ

27. ご清聴ありがとうございました
27
• 何か気になることがありましたらお気軽にご連絡ください
• メール：
• t.konishi@biomy-tech.com
• tkonishi@cellspect.com
• 意⾒交換からブレスト、協業の可能性に関する議論など、ざっ
くばらんにお話させていただければと思います