画像 AI は通常、対象疾患があらかじめ決まった状態で届きます。このプラットフォームは逆の作りです。病院自身が関心のあるパターンを定義し、自院の症例を注釈し、モデルは自院の管理領域の内側で学習されます。
モデルを生み出すループ
モデルが提案し、放射線科医が修正し、その修正が次のデータセットになります。一周ごとに、次の周で修正すべき量が減ることを目指します。
初回は公開ベースモデル、以降は貴院自身のモデル
決めるのは放射線科医 — 臨床判断はここにあります
不変かつ指紋付き。モデルから症例まで遡れます
病院の GPU 上で、ベースモデルから。ゼロからは行いません
分離したテストセットで、施設ごとに評価
Mixture of Experts
Mixture of experts のアーキテクチャです。各エキスパートは一つのパターンだけを担う小さなモデルで、軽量なオーケストレーターがその出力を領域ごとの計測値にまとめます。私たちが作るのは固定されたエキスパートの集合ではなく、それを生み出す機構です。
診療科が定量化したいものを記述します。私たちは疾患リストを持ってきません。
アノテーションは病院自身の症例に、その放射線科医が、LeaRes 内で行います。
学習と推論は院内環境で動きます。患者データは転送されず、重みも共有されません。
固定された疾患リストで学習したモデルは、多くの施設が共有できないデータを必要とし、この分野でもっとも早く汎用品化する部分でもあります。私たちは逆の道を取ります。製品はプラットフォームそのものであり、各病院がそれを使って自院の症例からモデルを作ります。
新しいパターンの追加は、毎回ゼロからの研究プロジェクトではありません。エキスパートは決まった部品の集合であり、学習を始める前にすべて明示されます。パターン定義、注釈プロトコル、データセット仕様、ベースモデル、学習レシピ、評価ハーネス、そして来歴の記録です。
各エキスパートは自分のマップを出力し、小さなオーケストレーターがそれらを領域ごとの数値 — パターン別・肺葉別の体積と割合 — にまとめます。パターンを増やすとはエキスパートを増やすことであり、既存のものを再学習することではありません。
注釈・学習・推論のすべてが、病院自身の管理領域の内側、自院の GPU 上で動きます。患者データが当社に転送されることはなく、施設間で重みが統合されることもありません。
私たちが報告する数値は、放射線科医が一症例を修正するのに要する時間と、注釈済み症例が増えるにつれてその時間がどう変化するかです。診断精度ではなく注釈の効率を測っており、この区別は意図的なものです。
解剖であって診断ではありません。プラットフォームは臨床医が定義した構造とパターンを定量化するものであり、診断を下すものでも臨床判断に代わるものでもありません。臨床施設との取り組みはパイロット段階です。
最初のパイロット施設を準備しています。定量化したいパターンと注釈できる症例が貴院にあれば、ぜひお聞かせください。
