Keisuke Shiiba（硕士二年级，信息学课程/导师：智能信息学实验室）吉田新一教授
作为从大约 200 篇论文中选出的四篇论文之一，这是一项了不起的成就。
先生Shiiba 因“用于尘肺病检测的卷积神经网络的级联特征”而获奖
（卷积神经网络用于“尘肺”检测的分步特征）。
「尘肺病」是一种因长期吸入金属、煤炭等粉尘而导致肺部纤维化的疾病。诊断主要依靠胸部X线影像，但病灶特征性的“毛玻璃影”很难辨别，诊断需要高度的专业知识和经验。这给医生带来了沉重的负担，并导致诊断结果的变化，这是一个问题。
因此，近年来，使用人工智能技术之一的“卷积神经网络（CNN）”的图像诊断支持系统的研究变得活跃。 CNN具有模仿人类神经回路的结构，是一种从图像中自动学习病变等特征并能够高精度检测的技术。
在高知大学医学院菅沼重文教授等人的合作下，椎叶等人。为了提高使用CNN对“尘肺病”的诊断准确性，对“AI学习方法（优化算法）”和“图像处理方法”进行了比较研究。此外，我们尝试可视化 AI 决策的依据，以确定 AI 在诊断尘肺病时重点关注 X 射线图像的哪一部分。
结果表明，通过结合适当的人工智能学习方法和图像处理，人工智能可以以极高的准确度检测尘肺病。使用 Grad-CAM 进行的分析显示了人工智能判断基础可视化的结果，结果出乎意料的是，人工智能更关注肺部的“边界区域”，而不是许多医生在诊断“尘肺病”时关注的“毛玻璃样阴影”。
(▲可视化 AI 聚焦在 X 射线图像上并推断出“尘肺病”的位置)
获得这个奖项后，椎叶说道：“我没想到自己会被选中，所以我很惊讶。也许是因为我仔细验证了哪些部分影响了准确性，同时详细改变了人工智能的学习条件。”他表达了兴奋之情，并表达了他对进一步研究的渴望，他说：“未来，我想更深入地探索人工智能聚焦肺部边缘区域背后的机制。我希望这项研究能够帮助减轻医生的负担，帮助做出更准确的诊断。”
此外，在本次国际研讨会上，Kazuki Kakawa（硕士一年级，信息学课程/导师：智能信息学实验室吉田新一教授）也被评为“最佳论文奖入围者”。
获奖论文是“基于模糊聚类的柚子水果检测数据增强”。
先生香川为柚子研究了“数据增强”，即从少量图像数据中人为地创建新数据，以减少收集“学习数据”的工作量和成本，这是将人工智能引入农业等领域时的一个主要问题。
(▲利用模糊聚类生成的柚子树图像数据)
结果表明，特别是在训练数据很少的情况下，使用一种称为“模糊聚类”的能够表达轮廓模糊性的方法可以生成更高质量的训练数据并提高人工智能的准确性。
先生香川说：“随着研究的进展，我感觉自己的世界正在扩大。想到我的研究可能能够为高知县未来的农业发展做出贡献，我感到非常高兴。”
相关帖子
相关文章