よむ、つかう、まなぶ。
2025年6月17日 少数データの学習でも正確な肝腫瘍抽出を学ぶ スモールデータAIを開発 (1 ページ)
出典
ページ画像
ダウンロードした画像を利用する際は「出典情報」を明記してください。
低解像度画像をダウンロード
プレーンテキスト
資料テキストはコンピュータによる自動処理で生成されており、完全に資料と一致しない場合があります。
テキストをコピーしてご利用いただく際は資料と付け合わせてご確認ください。
2025 年 6 ⽉ 17 ⽇
東京科学⼤学
少数データの学習でも正確な肝腫瘍抽出を学ぶ
スモールデータ AI を開発
―⾼性能な医療 AI を低コストで開発可能にー
【ポイント】
○ごく少数のデータセットの学習で最先端モデルを凌駕する⾼精度な肝腫瘍領域の抽
出を⾏える AI モデル MHP-Net を開発
○画像全体ではなく、膨⼤な数の⼩さな画像パッチを使⽤することで、少数データでの
効率のよい学習を実現
○計算機設備に制約のある臨床現場での医療 AI 利⽤を可能にする「スモールデータ AI」
として期待
【概要】
東京科学⼤学（Science Tokyo） 総合研究院 バイオメディカル AI 研究ユニットの
鈴⽊賢治教授と同⼯学院 情報通信系の Yang Yuqiao（ヤン・ユチャオ）博⼠後期課程
学⽣を中⼼とする研究チームは、CT 画像上の肝腫瘍セグメンテーション（⽤語 1）の
精度において最先端モデルを凌駕する新しい AI モデル MHP-Net（⽤語 2）を開発し
ました。
従来のディープラーニングモデルでは何千〜何万ものアノテーション（⽤語 3）付き
症例が必要であり、医療 AI 開発の壁になっていました。この新しいモデルでは、画像
全体ではなく、膨⼤な数の⼩さな 3D 画像パッチを使⽤することにより、腫瘍の数がわ
ずか 7〜14 個という限られた学習データで、⾮常に正確なセグメンテーションを実現
しました。
さらに MHP-Net は、MICCAI 2017 の世界肝腫瘍セグメンテーション競技会の優勝
チームが記録した抽出精度をはるかに少ないデータで実現するなど、最先端モデルを
上回る性能を実現しました。この結果は、医療画像解析における、⼤規模な医療データ
セットの収集とアノテーションを必要としない「スモールデータ AI（⽤語 4）」実現
の⼤きな可能性を⽰すものです。
本成果は、5 ⽉ 16 ⽇付（⽶国東部時間）の「IEEE Access」誌に Early Access Version
が掲載され、5 ⽉ 29 ⽇付で正式版が掲載されました。
東京科学⼤学
少数データの学習でも正確な肝腫瘍抽出を学ぶ
スモールデータ AI を開発
―⾼性能な医療 AI を低コストで開発可能にー
【ポイント】
○ごく少数のデータセットの学習で最先端モデルを凌駕する⾼精度な肝腫瘍領域の抽
出を⾏える AI モデル MHP-Net を開発
○画像全体ではなく、膨⼤な数の⼩さな画像パッチを使⽤することで、少数データでの
効率のよい学習を実現
○計算機設備に制約のある臨床現場での医療 AI 利⽤を可能にする「スモールデータ AI」
として期待
【概要】
東京科学⼤学（Science Tokyo） 総合研究院 バイオメディカル AI 研究ユニットの
鈴⽊賢治教授と同⼯学院 情報通信系の Yang Yuqiao（ヤン・ユチャオ）博⼠後期課程
学⽣を中⼼とする研究チームは、CT 画像上の肝腫瘍セグメンテーション（⽤語 1）の
精度において最先端モデルを凌駕する新しい AI モデル MHP-Net（⽤語 2）を開発し
ました。
従来のディープラーニングモデルでは何千〜何万ものアノテーション（⽤語 3）付き
症例が必要であり、医療 AI 開発の壁になっていました。この新しいモデルでは、画像
全体ではなく、膨⼤な数の⼩さな 3D 画像パッチを使⽤することにより、腫瘍の数がわ
ずか 7〜14 個という限られた学習データで、⾮常に正確なセグメンテーションを実現
しました。
さらに MHP-Net は、MICCAI 2017 の世界肝腫瘍セグメンテーション競技会の優勝
チームが記録した抽出精度をはるかに少ないデータで実現するなど、最先端モデルを
上回る性能を実現しました。この結果は、医療画像解析における、⼤規模な医療データ
セットの収集とアノテーションを必要としない「スモールデータ AI（⽤語 4）」実現
の⼤きな可能性を⽰すものです。
本成果は、5 ⽉ 16 ⽇付（⽶国東部時間）の「IEEE Access」誌に Early Access Version
が掲載され、5 ⽉ 29 ⽇付で正式版が掲載されました。