AIBR プレミアム
拓海先生、最近うちの臨床案件の担当が「AIで胸のレントゲンを自動で読めます」って言ってきてまして、正直よく分からないのです。RadiomicsとかDeep Learningとか言われても何が違うのか、経営判断に活かせる情報を端的に教えてください。
素晴らしい着眼点ですね！大丈夫、順を追って整理しますよ。要点は三つです。第一にRadiomicsは人が特徴を設計する手法、第二にDeep Learningは画像から特徴を自動で学ぶ手法、第三にデータ量によって有利不利が分かれる、という点です。では一つずつ噛み砕いて説明できますよ。
なるほど。要するにRadiomicsは現場の知見を数値にして機械に教え込む方法で、Deep Learningは機械に何を重視するかを任せる方法、という理解で合っていますか？投資対効果の観点からどちらが現場導入しやすいですか。
素晴らしい着眼点ですね！その理解でほぼ合っていますよ。現場導入の観点で言うと、要点は三つに集約できます。1) データ量が少ない場合はRadiomicsが安定すること、2) 大量データと整備されたラベルがあればDeep Learningが精度で上回ること、3) 運用コストや説明可能性（reasoningの説明しやすさ）をどう評価するかで選択肢が変わること、です。これを踏まえて次に具体的な違いを説明しますよ。
でも現場はデータが多くないことが多いんです。うちの病院パートナーも症例が千件にも満たないと聞きます。これって要するに、データ少ならRadiomics、データ多ければDeep Learningという単純な判断でいいんですか？
素晴らしい着眼点ですね！概ね正しい判断基準です。ただし単純化は禁物です。要点は三つです。1) データの量だけでなく多様性が重要、2) アノテーションの品質が精度を左右する、3) モデルの説明可能性や現場が受け入れられる形で提示することが運用成功の鍵、です。つまり単純に数だけではなく、どのようにデータを作るかを同時に設計する必要がありますよ。
なるほど。導入の不安としては現場の負荷と費用、それから医師が納得する説明ができるかですね。あと品質保証の観点で、どの程度の検証が必要になりますか。
素晴らしい着眼点ですね！品質保証では三点セットで考えます。1) 外部データでの検証（汎化性能の確認）、2) 感度と特異度など臨床指標での評価、3) 人間との協調フローのテスト（どう表示して判断を支援するか）です。特にRadiomicsは特徴が人に理解しやすい利点があり、Deep Learningは多数例での検証が必要になりますよ。
分かりました。最終的に社内で判断するときの短いまとめをください。会議でこれだけは伝えたい、という3点です。
素晴らしい着眼点ですね！会議で使える短い三点を、わかりやすくお渡ししますね。1) データが少ない環境ではRadiomicsを優先し、学習用データを増やしつつ並行してDeep Learningを検討する。2) 導入効果は検証設計（外部検証と現場評価）で決まるので予算の一部は検証に回す。3) 医師と運用フローを早期に設計して説明可能性を担保する、です。大丈夫、一緒に設計すれば必ずできますよ。
分かりました、ありがとうございました。自分の言葉で整理しますと、「まずはRadiomicsで小さく始めて検証しつつ、並行してデータを整備して将来的にDeep Learningに移行する。検証と説明可能性に投資する」ということですね。これなら現場にも説明できます。
