小児領域における機械学習

要旨

人工知能はこれまでに2度のブームを経て，今また3度目のブームを迎えていると言われる．様々な産業，業態で導入が検討され，実用化されているものもある．小児領域における人工知能と機械学習を用いた研究の現状はどうなっているのだろう？現時点において，artificial intelligence，machine learning，pediatricなどのキーワードで400件超の文献が検索される．これらを目的，機械学習法，画像法，結果などで分類することにより，現在に至るまでの潮流を調査し，最近のトレンドを知る．

Abstract

Artificial intelligence has been through two booms so far and is said to be reaching its third boom. What is the current state of artificial intelligence and machine learning related research in the pediatric field? More than 400 papers were searched by keywords such as artificial intelligence, machine learning and pediatric. By classifying these according to purpose, machine learning method, image method, result, we investigated the tidal current to the present and determined the latest trends.

はじめに

人工知能（artificial intelligence; AI）はこれまでの2度のブームを経て，今また3度目のブームを迎えていると言われる¹⁾．このブームを牽引しているのは，AIのなかでも「弱いAI」と呼ばれる機械学習（machine learning; ML）に含まれる深層学習（deep learning; DL）である．AIはいたる所で喧伝され，様々な産業，業態で導入が検討され，社会実装への取組みが進められている²⁾．

このようなAIが医療に応用されるべき理由は何であろうか？より精密な医療の実現，医師不足および偏在問題への対応など医療現場における社会的諸問題の解決が主な対象とされる．放射線医学領域においても，診療または業務効率の上昇等を目的にAI導入の検討が行われている．導入が検討されているAIの多くは，画像の特徴を利用して，診断，治療方針の決定，予後予測等に有益な情報を抽出するものや，情報を統合して意思決定に役立てることを目的としている³⁾．

小児領域におけるAI/ML研究の現状はどうなっているのだろうか？artificial intelligence，machine learning，pediatricなどのキーワードで400件近い文献が検索される．これらを研究目的，研究対象，データソース，機械学習法などで分類して俯瞰することにより，最近のトレンドを知ることができる．

本稿は，2019年6月22日に神戸国際会議場で開催された第55回小児放射線学会学術集会のシンポジウム「AiとAI」において講演した内容⁴⁾の一部を抜粋し，編集を加えたものである．講演内では代表的な機械学習の手法についても短く解説を加えたが，本稿では，小児領域におけるAI/ML研究のトレンドを知るための資料たるべく，文献検索結果とそのまとめに注力した．また，現状のAI/ML研究が直面する課題についても言及し，その対策の例を示した．最後に今後のAI/ML研究の展開について私見を加えた．

調査方法

研究のトレンドを調べる手法として，PubMed⁵⁾を用いてキーワード探索を行った．キーワードは，pediatricとmachine learningであり，検索日は，2019年5月28日であった．

検索の結果，367件が該当した．それらから，英文のフルペーパー，小児領域でかつ人間を対象にしたもの，機械学習が用いられているもののような条件を加え，レビュー論文等の総説や概要を除いたオリジナル論文の数は137件^6–142)であった．

以下，これら137件のオリジナル論文について，論文数の推移，研究目的，研究対象，モダリティまたはデータソースとサンプル数，利用されている機械学習の方法，それらの成績についてまとめた．

結果

1． 論文数の推移

Fig. 1に小児領域におけるAI/ML研究論文数の推移を示した．2017年から件数が30を超え，2019年も調査時点で25件となっていたため，2018年の46件を超えてた件数になることが予想された．2016年の北米放射線学会のタイトルは，「Beyond Imaging」であり，ALとMLの可能性が大きく取り上げられた年であった¹⁴³⁾．それを受けて2017年には研究論文数が3倍になり，近年3年間での増加傾向に繋がっていると考えられる．

Fig. 1 

小児領域におけるAI/ML研究論文数の推移

PubMed検索：調査日；2019年5月28日，キーワード；pediatric，machine learning，対象論文数；137件．

2． 研究目的

Fig. 2に主な目的を示した．研究目的としては，予測^100–132)，診断^{11,​12,​25,​26,​32,​43,​47,​64,​67,​71,​81,​82,​106,​130,​131,​134)}・鑑別^34,​136)，調査^{27,​30,​38,​51,​52,​55,​57,​73,​78,​83,​95,​107,​140)}などが多く取り上げられていた．また，検査^{59,​66,​92,​99,​143,​144,​149)}・分析^{3,​19,​58,​132)}・計測⁷⁹⁾，バイオマーカー^{4,​15,​56,​85,​90,​91,​93,​94,​129,​142,​148)}，分類への応用^{2,​6,​17,​20,​29,​54,​61,​69,​86,​145)}，検出^{10,​40,​42,​62,​87,​103,​135)}，解析^{7,​21,​89)}・評価^60,​104)，また新たな知見の発見^{36,​50,​141)}などへも小児領域研究では機械学習が利用されている．

Fig. 2 

小児領域におけるAI/ML研究の主な目的

縦軸には論文数（左，棒）と成績（右，点），横軸には主な研究目的を示した．

成績には主にAUCを使用し，AUCがない場合にはAccuracyの値を用いた．

研究目的別の成績（主にROCカーブ下面積：AUC，AUCでない場合はaccuracyの値を使用した）は，概ね0.8をこえて高い成績を示しており（最大値は1），とくに分類や検出目的の研究においてMLを利用するメリットが示されている．

3． 研究対象

Fig. 3に主な研究対象を示した．最も多いのは，自閉症などの精神疾患に関するもの^{42–65,​87,​94,​95,​108,​109,​119)}で，次に心肺・呼吸器関連疾病^{11,​12,​39,​40,​77,​78,​81,​83–85,​103,​116–118,​123,​131–141)}，脳神経関連疾病^{14,​15,​23,​73,​79,​80,​86,​88,​89,​92,​93,​112,​114,​115,​142)}，腹部関連疾病^{13,​17–22,​25,​33,​82,​91,​106)}，感染^{34,​35,​69,​70,​72,​98,​113)}，代謝異常^{16,​41,​110,​121,​122)}などが続き，その他に度数が1のものをまとめた^{66,​68,​74,​75,​97,​102,​107,​111,​120,​125,​127–129)}．精神疾患に関する研究例が多いのは，自閉症や注意欠陥障害に関するデータベース（ADHD-200¹⁴⁴⁾やABIDE¹⁴⁵⁾）が整備され，その存在が研究を後押ししていると考えられた．

Fig. 3 

小児領域におけるAI/ML研究の主な研究対象

縦軸には論文数（左，棒）と成績（右，点），横軸には主な研究対象を示した．

成績には主にAUCを使用し，AUCがない場合にはAccuracyの値を用いた．

研究対象別の成績を見ると，多くのものは0.8をこえて高い成績を示しており，とくにアレルギー疾患^7,​10)で良い成績（AUC = 0.95）が報告されていたが，論文数が少ないため，これがエビデンスとはならず，報告例として取り扱われるところにコンセンサス形成の難しさがある．

4． データソース

Fig. 4に小児領域におけるAI/ML研究の主なデータソースとデータ数（a）およびデータソースと成績（b）の概要を示した．論文数としては，MRIを用いた研究^{9,​17,​25,​43,​46,​49,​54,​56,​58,​61,​65,​66,​79,​80,​86,​89,​92,​100,​104,​108,​112,​115,​134)}が最も多く，臨床データ^{10,​19,​22,​31,​34,​52,​59,​72,​81,​90,​94,​102,​110,​114,​124,​131,​136,​140,​141)}，整備されたデータベース（DB）^{12,​18,​21,​23,​28,​40,​45,​50,​51,​55,​68,​77,​87,​95,​105,​120,​130,​133)}，病院情報（EHR）^{6,​8,​11,​15,​24,​41,​70,​74–76,​78,​98,​121,​127,​129,​137,​139)}の順になっている．これらのデータソースに対応するサンプル数は，数百から数万規模，多いものでは数十万のデータが機械学習の対象になっていた．

Fig. 4 

小児領域におけるAI/ML研究の主なデータソースとデータ数（a）およびデータソースと成績（b）の概要

（a）縦軸には論文数（左，棒）とデータ数（右，点），横軸には主なデータソースを示した．

（b）縦軸には論文数（左，棒）と成績（右，点），横軸には主なデータソースを示した．

成績には主にAUCを使用し，AUCがない場合にはAccuracyの値を用いた．

MRIを利用した研究の平均サンプル数は268であり，臨床データは858，DBでは平均21,892のサンプル数が用いられており，一般に多くのデータがMLに投入されている．裏を返せば，データ数が集められない疾病ではML研究が行われていないことになる．最も少ないデータ数はEEG^{14,​57,​60,​84,​85,​103,​118)}の平均28であった．

データソース別の成績は，すべて0.8を超えていた．特に，心音などの信号データ^{29,​30,​116,​117)}，スマートフォン^82,​106)，放射線科レポートを用いた研究^37,​88)では，1.0に近づく非常に高い成績を報告している．

5． サンプル数

Fig. 5に平均使用データ数と成績の関係を示した．一般的には，データ点数が多くなるほど成績が上がると予想されるが，調査範囲の結果としては，相関がみられなかった．同一の問題設定でデータ数を変えて成績との関係を調べることにより，必要サンプル数を決定できるかもしれない．MRIとMLを用いて統合失調症患者と健常者を分類する研究において，サンプルサイズが130を下回ると正しく分類できない割合が多くなることが報告されている¹⁴⁶⁾．しかしながら，この情報がすべてのケースに当てはまるわけではなく，データ数と種類が多く取り揃えられることがMLにおいて，よい成績を収めるポイントになる¹⁴⁷⁾．

Fig. 5 

平均使用データ数と成績の関係

縦軸には成績，データ数を示した．R² = 0.0118，P = 0.488であり，相関関係は認められなかった．

6． ML手法

Fig. 6に小児領域におけるAI/ML研究の主なML手法を示した．Support vector machine（SVM）を用いた研究^{14,​17,​25,​27,​30,​34,​36,​37,​42,​45,​46,​49,​57,​60,​62,​66,​69,​72,​79,​80,​83–85,​88,​91,​102,​103,​108,​112,​114,​115)}がもっとも多く，次に様々な機械学習を組み合わせた研究（multi-ML）^{22,​28,​40,​41,​44,​48,​50–53,​63,​64,​67,​68,​77,​87,​90,​98,​107,​111,​119,​120,​121,​126,​128–130,​138)}が多くなってる．Radom Forest^{8,​13,​15,​16,​18,​20,​26,​32,​33,​35,​61,​70,​93,​96,​97,​134)}とartificial neural network^{99,​100,​110,​136)}, convolutional neural network^{23,​38,​54,​74,​105,​113,​125)}, deep neural network^58,​75)などneural network系の手法がそれらの次に続いている．

Fig. 6 

小児領域におけるAI/ML研究の主なML手法

縦軸には論文数（左，棒）と成績（右，点），横軸には主な機械学習の手法を示した．成績には主にAUCを使用し，AUCがない場合にはAccuracyの値を用いた．

ML手法別の成績では，Bayesian^{7,​24,​31,​109,​132,​141)}を除くすべての方法が0.8を超えており，SVM，Random Forest，neural network系で平均成績が同じ値（0.87）を示した．データや問題設定に応じてML手法が選択されるが，トップ3のML手法の平均成績が同等であることは，偶然かもしれないが発見でもある．

以上1.–6.の結果をまとめると，小児放射線領域では「予測・診断・鑑別」を目的に，「精神・心肺・脳神経疾患」を対象として，「MRI・臨床データ・大規模データベース」に対して「SVM・Random Forest・neural network系」などのMLを利用した研究が行われている．平均成績は，ROCカーブのAUCで，0.86（0.65–1.00）であった．

MLの問題点

上述のML研究例は，平均成績として非常に高い数値が発表されていた．しかしながら，これらの研究例のすべてが小児領域の課題に回答を与えるものではなく，ごく一部のデータ数が揃った課題に対する成績を与えているに過ぎない．

137例の研究のなかで，放射線関係の機器をデータソースとして用いたものはMRIのみであった．すなわち，データベースとして整備されている症例以外に，MRIやCTなどで大きなデータセットを整備することは非常に大変な作業であることを示している．一方で，データ数を集めやすい電子カルテデータや生体信号データを利用する研究においては，入力データが多くなり，MLの精度検証なども行いやすくなっている．データセットの整備は，小児領域のみならず，すべての疾病に対する共通の課題である．この問題に対応するため，日本医用画像データベースプロジェクト（J-MID）が進行中である¹⁴⁸⁾．整備と利用の進展に期待したい．

また，MLがどのようなプロセスを経て結果に至ったのかを明らかにすることの重要性（信頼性の担保）は以前から指摘されており¹⁴⁹⁾，MLプロセスがどこに着目して結果を導出したかを示すことができるようになってきている¹⁵⁰⁾．しかしながら，医師が考える診断等のプロセスに沿った説明ができるMLシステムはいまだに存在していない．

今後の展開

世界的な潮流として，放射線医学領域においてはAIシステムに対する関心は非常に高い．様々な学会において多数のAI関連セッションが設けられ，結果の検討，議論が継続されている．また，AIおよびDLには，数学的・情報学的に複雑な内容が含まれてるが，放射線科医がこれまでに統計学を学んで役立ててきたように，これらを積極的に学ぶことも推奨されている¹⁵¹⁾．日本放射線医学会総会では，DLの具体的な使用方法に関するセッションが大会期間中を通じて開催されるなど，積極的な教育活動を展開しており，放射線医学領域におけるコンピュータプログラミングに対する重要性が増している．コンピュータプログラミングに精通した放射線科医の活躍の場は益々増えてゆくものと思われる．

おわりに

現在のAIブームは，ブームのまま終わるのか？それとも何がしかの礎を臨床現場に残すのか？AIとしては非常に狭い意味で用いられるべきMLがあたかもAIを代表するかのような意味合いで取り上げられているような現状では，一過性のブームで終わる可能性もある．医療側がAIの意味合いを正しく理解し，正しく利用できるように教育機会を設定しなければ，ブラックボックスによる診断結果が信じられないという理由で，MLを用いた医用機器の導入は排除される可能性もある．また，やみくもに受け入れてしまえば，これまで築き上げてきた医学の部分的崩壊にもつながる．新しいテクノロジーの正しい理解と利用は，いつの世においても間違えることが許されない課題の一つである．

放射線医学領域では，積極的なAIの研究開発と問題点の解決，臨床応用を目的とした教育にも力点が置かれており，人工知能時代への準備は着実に進められている．AIの積極的な導入は，放射線医学領域の診療および業務を効率化し，意思決定の高速化，診断および治療の品質保持，業務分担の最適化などの達成に寄与するものと期待される．

謝辞

第55回を迎える日本小児放射線学会学術集会のシンポジウムにおきまして話題を提供させていただく機会を与えていただきました大会長の石蔵礼一先生並びに大会事務局長の安藤久美子先生に深く感謝申し上げます．本稿が小児放射線領域の研究を推進される先生方の何がしかのお役に立てば幸甚です．本会の更なる発展を祈念申し上げます．

文献

• 1)  総務省：人工知能の歴史．http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/html/nc142120.html（参照2019/8/6）
• 2)  独立行政法人情報処理推進機構：AIの社会実装に関する動向や課題．http://www.jasa.or.jp/etnagoya/seminar/doc/doc_ipa03.pdf（参照2019/8/6）
• 3)   Kobayashi  Y,  Ishibashi  M,  Kobayashi  H: How will “democratization of artificial intelligence” change the future of radiologists? Jpn J Radiol 2019; 37: 9–14.
• 4)   酒井  晃二：小児領域における機械学習．日本小児放射線学会雑誌増刊号 2019; 35 Supple: 8.
• 5)  US National Library of Medicine: “PubMed”. https://www.ncbi.nlm.nih.gov/pubmed/（参照2019/8/6）
• 6)   Temple  MW,  Lehmann  CU,  Fabbri  D: Natural language processing for cohort discovery in a discharge prediction model for the neonatal ICU. Appl Clin Inform 2016; 7(1): 101–115.
• 7)   Howard  R,  Belgrave  D,  Papastamoulis  P, et al.: Evolution of IgE responses to multiple allergen components throughout childhood. J Allergy Clin Immunol 2018; 142(4): 1322–1330.
• 8)   Temple  MW,  Lehmann  CU,  Fabbri  D: Predicting discharge dates from the NICU using progress note data. Pediatrics 2015; 136(2): e395–e405.
• 9)   Ding  Y,  Suffren  S,  Bellec  P, et al.: Supervised machine learning quality control for magnetic resonance artifacts in neonatal data sets. Hum Brain Mapp 2019; 40(4): 1290–1297.
• 10)   Suarez-Farinas  M,  Suprun  M,  Chang  HL, et al.: Predicting development of sustained unresponsiveness to milk oral immunotherapy using epitope-specific antibody binding profiles. J Allergy Clin Immunol 2019; 143(3): 1038–1046.
• 11)   Lu  FS,  Hou  S,  Baltrusaitis  K, et al.: Accurate influenza monitoring and forecasting using novel internet data streams: A case study in the Boston Metropolis. JMIR Public Health Surveill 2018; 4(1): e4.
• 12)   Ye  Y,  Wagner  MM,  Cooper  GF, et al.: A study of the transferability of influenza case detection systems between two large healthcare systems. PLoS One 2017; 12(4): e0174970.
• 13)   Douglas  GM,  Hansen  R,  Jones  CMA, et al.: Multi-omics differentially classify disease state and treatment outcome in pediatric Crohn’s disease. Microbiome 2018; 6(1): 13.
• 14)   Grinspan  ZM,  Patel  AD,  Hafeez  B, et al.: Predicting frequent emergency department use among children with epilepsy: A retrospective cohort study using electronic health data from 2 centers. Epilepsia 2018; 59(1): 155–169.
• 15)   Tomlinson  SB,  Porter  BE,  Marsh  ED: Interictal network synchrony and local heterogeneity predict epilepsy surgery outcome among pediatric patients. Epilepsia 2017; 58(3): 402–411.
• 16)   Peng  G,  Shen  P,  Gandotra  N, et al.: Combining newborn metabolic and DNA analysis for second-tier testing of methylmalonic acidemia. Genet Med 2019; 21(4): 896–903.
• 17)   Strigo  IA,  Murray  SB,  Simmons  AN, et al.: The clinical application of fMRI data in a single-patient diagnostic conundrum: Classifying brain response to experimental pain to distinguish between gastrointestinal, depressive and eating disorder symptoms. J Clin Neurosci 2017; 45: 149–153.
• 18)   Weber  KA,  Yang  W,  Carmichael  SL, et al.: A machine learning approach to investigate potential risk factors for gastroschisis in California. Birth Defects Res 2019; 111(4): 212–221.
• 19)   Hao  SR,  Geng  SC,  Fan  LX, et al.: Intelligent diagnosis of jaundice with dynamic uncertain causality graph model. J Zhejiang Univ Sci B 2017; 18(5): 393–401.
• 20)   Hollister  EB,  Oezguen  N,  Chumpitazi  BP, et al.: Leveraging human microbiome features to diagnose and stratify children with irritable bowel syndrome. J Mol Diagn 2019; 21(3): 449–461.
• 21)   Ji  J,  Ling  XB,  Zhao  Y, et al.: A data-driven algorithm integrating clinical and laboratory features for the diagnosis and prognosis of necrotizing enterocolitis. PLoS One 2014; 9(2): e89860.
• 22)   Rusconi  B,  Jiang  X,  Sidhu  R, et al.: Gut sphingolipid composition as a prelude to necrotizing enterocolitis. Sci Rep 2018; 8(1): 10984.
• 23)   Hale  AT,  Stonko  DP,  Lim  J, et al.: Using an artificial neural network to predict traumatic brain injury. J Neurosurg Pediatr 2018; 23(2): 219–226.
• 24)   Klann  JG,  Anand  V,  Downs  SM: Patient-tailored prioritization for a pediatric care decision support system through machine learning. J Am Med Inform Assoc 2013; 20(e2): e267–e274.
• 25)   He  L,  Li  H,  Dudley  JA, et al.: Machine learning prediction of liver stiffness using clinical and T2-weighted MRI radiomic data. AJR Am J Roentgenol 2019; 213: 592–601.
• 26)   Pan  L,  Liu  G,  Lin  F, et al.: Machine learning applications for prediction of relapse in childhood acute lymphoblastic leukemia. Sci Rep 2017; 7(1): 7402.
• 27)   Candia  J,  Cherukuri  S,  Guo  Y, et al.: Uncovering low-dimensional, miR-based signatures of acute myeloid and lymphoblastic leukemias with a machine-learning-driven network approach. Converg Sci Phys Oncol 2015; 1(2): 025002.
• 28)   Hu  YH,  Tai  CT,  Chen  SC, et al.: Predicting return visits to the emergency department for pediatric patients: Applying supervised learning techniques to the Taiwan National Health Insurance Research Database. Comput Methods Programs Biomed 2017; 144: 105–112.
• 29)   Hariharan  M,  Sindhu  R,  Vijean  V, et al.: Improved binary dragonfly optimization algorithm and wavelet packet based non-linear features for infant cry classification. Comput Methods Programs Biomed 2018; 155: 39–51.
• 30)   Shalish  W,  Kanbar  LJ,  Rao  S, et al.: Prediction of extubation readiness in extremely preterm infants by the automated analysis of cardiorespiratory behavior: Study protocol. BMC Pediatr 2017; 17(1): 167.
• 31)   Ku  E,  Scherzer  R,  Odden  MC, et al.: Patterns of blood pressure response during intensive BP lowering and clinical events: results from the secondary prevention of small subcortical strokes trial. Blood Press 2018; 27(2): 73–81.
• 32)   Nagori  A,  Dhingra  LS,  Bhatnagar  A, et al.: Predicting hemodynamic shock from thermal images using machine learning. Sci Rep 2019; 9(1): 91.
• 33)   Iwasawa  K,  Suda  W,  Tsunoda  T, et al.: Dysbiosis of the salivary microbiota in pediatric-onset primary sclerosing cholangitis and its potential as a biomarker. Sci Rep 2018; 8(1): 5480.
• 34)   Jong  VL,  Ahout  IM,  van den Ham  HJ, et al.: Transcriptome assists prognosis of disease severity in respiratory syncytial virus infected infants. Sci Rep 2016; 6: 36603.
• 35)   Sallis  BF,  Erkert  L,  Moñino-Romero  S, et al.: An algorithm for the classification of mRNA patterns in eosinophilic esophagitis: Integration of machine learning. J Allergy Clin Immunol 2018; 141(4): 1354–1364.e9.
• 36)   Cunha  P,  Moura  DC,  Guevara Lopez  MA, et al.: Impact of ensemble learning in the assessment of skeletal maturity. J Med Syst 2014; 38(9): 87.
• 37)   Grundmeier  RW,  Masino  AJ,  Casper  TC, et al.: Identification of long bone fractures in radiology reports using natural language processing to support healthcare quality improvement. Appl Clin Inform 2016; 7(4): 1051–1068.
• 38)   Lee  H,  Tajmir  S,  Lee  J, et al.: Fully automated deep learning system for bone age assessment. J Digit Imaging 2017; 30(4): 427–441.
• 39)   Meza  JM,  Slieker  M,  Blackstone  EH, et al.: A novel, data-driven conceptualization for critical left heart obstruction. Comput Methods Programs Biomed 2018; 165: 107–116.
• 40)   Luo  G,  Stone  BL,  Nkoy  FL, et al.: Predicting appropriate hospital admission of emergency department patients with bronchiolitis: Secondary analysis. JMIR Med Inform 2019; 7(1): e12591.
• 41)   Marateb  HR,  Mohebian  MR,  Javanmard  SH, et al.: Prediction of dyslipidemia using gene mutations, family history of diseases and anthropometric indicators in children and adolescents: The CASPIAN-III study. Comput Struct Biotechnol J 2018; 16: 121–130.
• 42)   Pestian  JP,  Grupp-Phelan  J,  Bretonnel Cohen  K, et al.: A controlled trial using natural language processing to examine the language of suicidal adolescents in the emergency department. Suicide Life Threat Behav 2016; 46(2): 154–159.
• 43)   Abbas  H,  Garberson  F,  Glover  E, et al.: Machine learning approach for early detection of autism by combining questionnaire and home video screening. J Am Med Inform Assoc 2018; 25(8): 1000–1007.
• 44)   Adluru  N,  Chung  MK,  Lange  NT, et al.: Applications of epsilon radial networks in neuroimage analyses. Adv Image Video Technol 2011; 7087: 236–247.
• 45)   Brown  CJ,  Miller  SP,  Booth  BG, et al.: Predictive connectome subnetwork extraction with anatomical and connectivity priors. Comput Med Imaging Graph 2019; 71: 67–78.
• 46)  Emerson RW, Adams C, Nishino T, et al.: Functional neuroimaging of high-risk 6-month-old infants predicts a diagnosis of autism at 24 months of age. Sci Transl Med 2017; 9(393). pii: eaag2882.
• 47)   Kosmicki  JA,  Sochat  V,  Duda  M, et al.: Searching for a minimal set of behaviors for autism detection through feature selection-based machine learning. Transl Psychiatry 2015; 5: e514.
• 48)   Levy  S,  Duda  M,  Haber  N, et al.: Sparsifying machine learning models identify stable subsets of predictive features for behavioral detection of autism. Mol Autism 2017; 8: 65.
• 49)   Parikh  MN,  Li  H,  He  L: Enhancing diagnosis of autism with optimized machine learning models and personal characteristic data. Front Comput Neurosci 2019; 13: 9.
• 50)   Tariq  Q,  Daniels  J,  Schwartz  JN, et al.: Mobile detection of autism through machine learning on home video: A development and prospective validation study. PLoS Med 2018; 15(11): e1002705.
• 51)   Zhang  L,  Wade  J,  Bian  D, et al.: Cognitive load measurement in a virtual reality-based driving system for autism intervention. IEEE Trans Affect Comput 2017; 8(2): 176–189.
• 52)   Alexeeff  SE,  Yau  V,  Qian  Y, et al.: Medical conditions in the first years of life associated with future diagnosis of ASD in children. J Autism Dev Disord 2017; 47(7): 2067–2079.
• 53)   Ball  G,  Beare  R,  Seal  ML: Network component analysis reveals developmental trajectories of structural connectivity and specific alterations in autism spectrum disorder. Hum Brain Mapp 2017; 38(8): 4169–4184.
• 54)   Carass  A,  Cuzzocreo  JL,  Han  S, et al.: Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage 2018; 183: 150–172.
• 55)   Castelhano  J,  Tavares  P,  Mouga  S, et al.: Stimulus dependent neural oscillatory patterns show reliable statistical identification of autism spectrum disorder in a face perceptual decision task. Clin Neurophysiol 2018; 129(5): 981–989.
• 56)   Duda  M,  Zhang  H,  Li  HD, et al.: Brain-specific functional relationship networks inform autism spectrum disorder gene prediction. Transl Psychiatry 2018; 8(1): 56.
• 57)   Feczko  E,  Balba  NM,  Miranda-Dominguez  O, et al.: Subtyping cognitive profiles in autism spectrum disorder using a functional random forest algorithm. Neuroimage 2018; 172: 674–688.
• 58)   Hicks  SD,  Rajan  AT,  Wagner  KE, et al.: Validation of a salivary RNA test for childhood autism spectrum disorder. Front Genet 2018; 9: 534.
• 59)   Li  H,  Parikh  NA,  He  L: A novel transfer learning approach to enhance deep neural network classification of brain functional connectomes. Front Neurosci 2018; 12: 491.
• 60)   Obara  T,  Ishikuro  M,  Tamiya  G, et al.: Potential identification of vitamin B6 responsiveness in autism spectrum disorder utilizing phenotype variables and machine learning methods. Sci Rep 2018; 8(1): 14840.
• 61)   Simoes  M,  Monteiro  R,  Andrade  J, et al.: A novel biomarker of compensatory recruitment of face emotional imagery networks in autism spectrum disorder. Front Neurosci 2018; 12: 791.
• 62)   Tylee  DS,  Hess  JL,  Quinn  TP, et al.: Blood transcriptomic comparison of individuals with and without autism spectrum disorder: A combined-samples mega-analysis. Am J Med Genet B Neuropsychiatr Genet 2017; 174(3): 181–201.
• 63)   Duda  M,  Haber  N,  Daniels  J, et al.: Crowdsourced validation of a machine-learning classification system for autism and ADHD. Transl Psychiatry 2017; 7(5): e1133.
• 64)   Duda  M,  Ma  R,  Haber  N, et al.: Use of machine learning for behavioral distinction of autism and ADHD. Transl Psychiatry 2016; 6: e732.
• 65)   Owen  JP,  Bukshpun  P,  Pojman  N, et al.: Brain MR imaging findings and associated outcomes in carriers of the reciprocal copy number variation at 16p11.2. Radiology 2018; 286(1): 217–226.
• 66)   Sepehrband  F,  Lynch  KM,  Cabeen  RP, et al.: Neuroanatomical morphometric characterization of sex differences in youth using statistical learning. Neuroimage 2018; 172: 217–227.
• 67)   Li  J,  Yuan  X,  March  ME, et al.: Identification of target genes at juvenile idiopathic arthritis gwas loci in human neutrophils. Front Genet 2019; 10: 181.
• 68)   Cooper  JN,  Wei  L,  Fernandez  SA, et al.: Pre-operative prediction of surgical morbidity in children: Comparison of five statistical models. Comput Biol Med 2015; 57: 54–65.
• 69)   Liu  G,  Xu  Y,  Wang  X, et al.: Developing a machine learning system for identification of severe hand, foot, and mouth disease from electronic medical record data. Sci Rep 2017; 7(1): 16341.
• 70)   Min  N,  Sakthi Vale  PD,  Wong  AA, et al.: Circulating salivary miRNA hsa-miR-221 as clinically validated diagnostic marker for hand, foot, and mouth disease in pediatric patients. EBioMedicine 2018; 31: 299–306.
• 71)   Hoodbhoy  Z,  Hasan  B,  Jehan  F, et al.: Machine learning from fetal flow waveforms to predict adverse perinatal outcomes: A study protocol. Gates Open Res 2018; 2: 8.
• 72)   Wang  K,  Bhandari  V,  Giuliano  JS, Jr., et al.: Angiopoietin-1, angiopoietin-2 and bicarbonate as diagnostic biomarkers in children with severe sepsis. PLoS One 2014; 9(9): e108461.
• 73)   Sikka  K,  Ahmed  AA,  Diaz  D, et al.: Automated assessment of Children’s postoperative pain using computer vision. Pediatrics 2015; 136(1): e124–131.
• 74)   Nakamura  MM,  Toomey  SL,  Zaslavsky  AM, et al.: Potential impact of initial clinical data on adjustment of pediatric readmission rates. Acad Pediatr 2019; 19(5): 589–598.
• 75)   Liang  H,  Tsui  BY,  Ni  H, et al.: Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nat Med 2019; 25(3): 433–438.
• 76)   Rubin  J,  Potes  C,  Xu-Wilson  M, et al.: An ensemble boosting model for predicting transfer to the pediatric intensive care unit. Int J Med Inform 2018; 112: 15–20.
• 77)   Miller  R,  Tumin  D,  Cooper  J, et al.: Prediction of mortality following pediatric heart transplant using machine learning algorithms. Pediatr Transplant 2019; 23(3): e13360.
• 78)   Perry  TE,  Zha  H,  Zhou  K, et al.: Supervised embedding of textual predictors with applications in clinical diagnostics for pediatric cardiology. J Am Med Inform Assoc 2014; 21(e1): e136–e142.
• 79)  Fetit AE, Novak J, Rodriguez D, et al.: Radiomics in paediatric neuro-oncology: A multicentre study on MRI texture analysis. NMR Biomed 2018; 31(1). doi: 10.1002/nbm.3781.
• 80)   Zarinabad  N,  Abernethy  LJ,  Avula  S, et al.: Application of pattern recognition techniques for classification of pediatric brain tumors by in vivo 3T ¹H-MR spectro­scopy-A multi-center study. Magn Reson Med 2018; 79(4): 2359–2366.
• 81)   Meystre  S,  Gouripeddi  R,  Tieder  J, et al.: Enhancing comparative effectiveness research with automated pediatric pneumonia detection in a multi-institutional clinical repository: A PHIS+ pilot study. J Med Internet Res 2017; 19(5): e162.
• 82)  Taylor JA, Stout JW, de Greef L, et al.: Use of a smartphone app to assess neonatal jaundice. Pediatrics 2017; 140(3). pii: e20170312.
• 83)   Raimondi  F,  Migliaro  F,  Verdoliva  L, et al.: Visual assessment versus computer-assisted gray scale analysis in the ultrasound evaluation of neonatal respiratory status. PLoS One 2018; 13(10): e0202397.
• 84)   Temko  A,  Thomas  E,  Marnane  W, et al.: EEG-based neonatal seizure detection with Support Vector Machines. Clin Neurophysiol 2011; 122(3): 464–473.
• 85)   Temko  A,  Thomas  E,  Marnane  W, et al.: Performance assessment for EEG-based neonatal seizure detectors. Clin Neurophysiol 2011; 122(3): 474–482.
• 86)   Ball  G,  Adamson  C,  Beare  R, et al.: Modelling neuroanatomical variation during childhood and adolescence with neighbourhood-preserving embedding. Sci Rep 2017; 7(1): 17796.
• 87)   Guo  Y,  Wei  Z,  Keating  BJ, et al.: Machine learning derived risk prediction of anorexia nervosa. BMC Med Genomics 2016; 9: 4.
• 88)   Aref-Eshghi  E,  Rodenhiser  DI,  Schenkel  LC, et al.: Genomic DNA methylation signatures enable concurrent diagnosis and clinical genetic variant classification in neurodevelopmental syndromes. Am J Hum Genet 2018; 102(1): 156–174.
• 89)   Gui  L,  Loukas  S,  Lazeyras  F, et al.: Longitudinal study of neonatal brain tissue volumes in preterm infants and their ability to predict neurodevelopmental outcome. Neuroimage 2019; 185: 728–741.
• 90)   Ghazal  S,  Sauthier  M,  Brossier  D, et al.: Using machine learning models to predict oxygen saturation following ventilator support adjustment in critically ill children: A single center pilot study. PLoS One 2019; 14(2): e0198921.
• 91)   Zheng  Q,  Furth  SL,  Tasian  GE, et al.: Computer-aided diagnosis of congenital abnormalities of the kidney and urinary tract in children based on ultrasound imaging data by integrating texture image features and deep transfer learning image features. J Pediatr Urol 2019; 15(1): 75.e71–75.e7.
• 92)   Iv  M,  Zhou  M,  Shpanskaya  K, et al.: MR imaging-based radiomic signatures of distinct molecular subgroups of medulloblastoma. AJNR Am J Neuroradiol 2019; 40(1): 154–161.
• 93)   Oyefiade  A,  Erdman  L,  Goldenberg  A, et al.: PPAR and GST polymorphisms may predict changes in intellectual functioning in medulloblastoma survivors. J Neurooncol 2019; 142(1): 39–48.
• 94)   Amminger  GP,  Mechelli  A,  Rice  S, et al.: Predictors of treatment response in young people at ultra-high risk for psychosis who received long-chain omega-3 fatty acids. Transl Psychiatry 2015; 5: e495.
• 95)   Whelan  R,  Watts  R,  Orr  CA, et al.: Neuropsychosocial profiles of current and future adolescent alcohol misusers. Nature 2014; 512(7513): 185–189.
• 96)   Mailick  MR,  Movaghar  A,  Hong  J, et al.: Health profiles of mosaic versus non-mosaic FMR1 premutation carrier mothers of children with fragile X syndrome. Front Genet 2018; 9: 173.
• 97)   Takeuchi  M,  Inuzuka  R,  Hayashi  T, et al.: Novel risk assessment tool for immunoglobulin resistance in Kawasaki disease: Application using a random forest classifier. Pediatr Infect Dis J 2017; 36(9): 821–826.
• 98)   Masino  AJ,  Harris  MC,  Forsyth  D, et al.: Machine learning models for early sepsis recognition in the neonatal intensive care unit using readily available electronic health record data. PLoS One 2019; 14(2): e0212665.
• 99)   Podda  M,  Bacciu  D,  Micheli  A, et al.: A machine learning approach to estimating preterm infants survival: Development of the Preterm Infants Survival Assessment (PISA) predictor. Sci Rep 2018; 8(1): 13743.
• 100)   He  L,  Li  H,  Holland  SK, et al.: Early prediction of cognitive deficits in very preterm infants using functional connectome data in an artificial neural network framework. Neuroimage Clin 2018; 18: 290–297.
• 101)   Weber  A,  Darmstadt  GL,  Gruber  S, et al.: Application of machine-learning to predict early spontaneous preterm birth among nulliparous non-Hispanic black and white women. Ann Epidemiol 2018; 28(11): 783–789 e781.
• 102)   Buturovic  L,  Shelton  J,  Spellman  SR, et al.: Evaluation of a machine learning-based prognostic model for unrelated hematopoietic cell transplantation donor selection. Biol Blood Marrow Transplant 2018; 24(6): 1299–1306.
• 103)   Ansari  AH,  Cherian  PJ,  Dereymaeker  A, et al.: Improved multi-stage neonatal seizure detection using a heuristic classifier and a data-driven post-processor. Clin Neurophysiol 2016; 127(9): 3014–3024.
• 104)   Dahdouh  S,  Andescavage  N,  Yewale  S, et al.: In vivo placental MRI shape and textural features predict fetal growth restriction and postnatal outcome. J Magn Reson Imaging 2018; 47(2): 449–458.
• 105)   Kuhle  S,  Maguire  B,  Zhang  H, et al.: Comparison of logistic regression with machine learning methods for the prediction of fetal growth abnormalities: A retrospective cohort study. BMC Pregnancy Childbirth 2018; 18(1): 333.
• 106)   Hoshino  E,  Hayashi  K,  Suzuki  M, et al.: An iPhone application using a novel stool color detection algorithm for biliary atresia screening. Pediatr Surg Int 2017; 33(10): 1115–1121.
• 107)   Pan  L,  Liu  G,  Mao  X, et al.: Development of prediction models using machine learning algorithms for girls with suspected central precocious puberty: Retrospective study. JMIR Med Inform 2019; 7(1): e11728.
• 108)   Tan  L,  Guo  X,  Ren  S, et al.: A computational model for the automatic diagnosis of attention deficit hyperactivity disorder based on functional brain volume. Front Comput Neurosci 2017; 11: 75.
• 109)   Wong  HK,  Tiffin  PA,  Chappell  MJ, et al.: Personalized medication response prediction for attention-deficit hyperactivity disorder: Learning in the model space vs. learning in the data space. Front Physiol 2017; 8: 199.
• 110)   Stawiski  K,  Pietrzak  I,  Mlynarski  W, et al.: NIRCa: An artificial neural network-based insulin resistance calculator. Pediatr Diabetes 2018; 19(2): 231–235.
• 111)   Mendoza  CS,  Safdar  N,  Okada  K, et al.: Personalized assessment of craniosynostosis via statistical shape modeling. Med Image Anal 2014; 18(4): 635–646.
• 112)   Smyser  CD,  Dosenbach  NU,  Smyser  TA, et al.: Prediction of brain maturity in infants using machine-learning algorithms. Neuroimage 2016; 136: 1–9.
• 113)   Logvinenko  T,  Chow  JS,  Nelson  CP: Predictive value of specific ultrasound findings when used as a screening test for abnormalities on VCUG. J Pediatr Urol 2015; 11(4): 176. e1–7.
• 114)   Jalali  A,  Simpao  AF,  Galvez  JA, et al.: Prediction of periventricular leukomalacia in neonates after cardiac surgery using machine learning algorithms. J Med Syst 2018; 42(10): 177.
• 115)   Nielsen  AN,  Greene  DJ,  Gratton  C, et al.: Evaluating the prediction of brain maturity from functional connectivity after motion artifact denoising. Cereb Cortex 2019; 29(6): 2455–2469.
• 116)   Elgendi  M,  Bobhate  P,  Jain  S, et al.: The unique heart sound signature of children with pulmonary artery hypertension. Pulm Circ 2015; 5(4): 631–639.
• 117)   Elgendi  M,  Bobhate  P,  Jain  S, et al.: Spectral analysis of the heart sounds in children with and without pulmonary artery hypertension. Int J Cardiol 2014; 173(1): 92–99.
• 118)   Elahian  B,  Yeasin  M,  Mudigoudar  B, et al.: Identifying seizure onset zone from electrocorticographic recordings: A machine learning approach based on phase locking value. Seizure 2017; 51: 35–42.
• 119)   Han  X,  Chen  S,  Flynn  E, et al.: Distinct epigenomic patterns are associated with haploinsufficiency and predict risk genes of developmental disorders. Nat Commun 2018; 9(1): 2138.
• 120)   Mueller  M,  Almeida  JS,  Stanislaus  R, et al.: Can machine learning methods predict extubation outcome in premature infants as well as Clinicians? J Neonatal Biol 2013; 2. pii: 1000118.
• 121)   Hammond  R,  Athanasiadou  R,  Curado  S, et al.: Predicting childhood obesity using electronic health records and publicly available data. PLoS One 2019; 14(4): e0215571.
• 122)   Seyednasrollah  F,  Makela  J,  Pitkanen  N, et al.: Prediction of adulthood obesity using genetic and childhood clinical risk factors in the cardiovascular risk in young Finns study. Circ Cardiovasc Genet 2017; 10(3). pii:e001554.
• 123)   Tuti  T,  Agweyu  A,  Mwaniki  P, et al.: An exploration of mortality risk factors in non-severe pneumonia in children using clinical data from Kenya. BMC Med 2017; 15(1): 201.
• 124)   Skotko  BG,  Macklin  EA,  Muselli  M, et al.: A predictive model for obstructive sleep apnea and Down syndrome. Am J Med Genet A 2017; 173(4): 889–896.
• 125)   Banerjee  I,  Ling  Y,  Chen  MC, et al.: Comparative effectiveness of convolutional neural network (CNN) and recurrent neural network (RNN) architectures for radiology text report classification. Artif Intell Med 2019; 97: 79–88.
• 126)   Banjar  H,  Ranasinghe  D,  Brown  F, et al.: Modelling predictors of molecular response to frontline imatinib for patients with chronic myeloid leukaemia. PLoS One 2017; 12(1): e0168947.
• 127)   Lee  I,  Monahan  S,  Serban  N, et al.: Estimating the cost savings of preventive dental services delivered to medicaid-enrolled children in six southeastern states. Health Serv Res 2018; 53(5): 3592–3616.
• 128)   Dalrymple  KA,  Jiang  M,  Zhao  Q, et al.: Machine learning accurately classifies age of toddlers based on eye tracking. Sci Rep 2019; 9(1): 6255.
• 129)   Ni  Y,  Beck  AF,  Taylor  R, et al.: Will they participate? Predicting patients’ response to clinical trial invitations in a pediatric emergency department. J Am Med Inform Assoc 2016; 23(4): 671–680.
• 130)   Goto  T,  Camargo  CA, Jr.,  Faridi  MK, et al.: Machine learning-based prediction of clinical outcomes for children during emergency department triage. JAMA Netw Open 2019; 2(1): e186937.
• 131)   Das  LT,  Abramson  EL,  Stone  AE, et al.: Predicting frequent emergency department visits among children with asthma using EHR data. Pediatr Pulmonol 2017; 52(7): 880–890.
• 132)   Farion  KJ,  Wilk  S,  Michalowski  W, et al.: Comparing predictions made by a prediction model, clinical score, and physicians: Pediatric asthma exacerbations in the emergency department. Appl Clin Inform 2013; 4(3): 376–391.
• 133)   Luo  G,  Stone  BL,  Fassl  B, et al.: Predicting asthma control deterioration in children. BMC Med Inform Decis Mak 2015; 15: 84.
• 134)   Messinger  AI,  Bui  N,  Wagner  BD, et al.: Novel pediatric-automated respiratory score using physiologic data and machine learning in asthma. Pediatr Pulmonol 2019; 54: 1149–1155.
• 135)   Pandey  G,  Pandey  OP,  Rogers  AJ, et al.: A nasal brush-based classifier of asthma identified by machine learning analysis of nasal RNA sequence data. Sci Rep 2018; 8(1): 8826.
• 136)   Ross  MK,  Yoon  J,  van der Schaar  A, et al.: Discovering pediatric asthma phenotypes on the basis of response to controller medication using machine learning. Ann Am Thorac Soc 2018; 15(1): 49–58.
• 137)   Sinha  A,  Desiraju  K,  Aggarwal  K, et al.: Exhaled breath condensate metabolome clusters for endotype discovery in asthma. J Transl Med 2017; 15(1): 262.
• 138)   Toti  G,  Vilalta  R,  Lindner  P, et al.: Analysis of correlation between pediatric asthma exacerbation and exposure to pollutant mixtures with association rule mining. Artif Intell Med 2016; 74: 44–52.
• 139)   Wu  ST,  Juhn  YJ,  Sohn  S, et al.: Patient-level temporal aggregation for text-based asthma status ascertainment. J Am Med Inform Assoc 2014; 21(5): 876–884.
• 140)   Wu  W,  Bleecker  E,  Moore  W, et al.: Unsupervised phenotyping of Severe Asthma Research Program participants using expanded lung data. J Allergy Clin Immunol 2014; 133(5): 1280–1288.
• 141)   Custovic  A,  Belgrave  D,  Lin  L, et al.: Cytokine responses to rhinovirus and development of asthma, allergic sensitization, and respiratory infections during childhood. Am J Respir Crit Care Med 2018; 197(10): 1265–1274.
• 142)   Xu  X,  Craig  KD,  Diaz  D, et al.: Automated pain detection in facial videos of children using human-assisted transfer learning. CEUR Workshop Proc 2018; 2142: 10–21.
• 143)  RSNA2016 Daily Bulletin: RSNA 2016 Sessions Explore the Potential of Machine Learning. https://rsna2016.rsna.org/dailybulletin/index.cfm?pg=16mon 71（参照2019/8/6）
• 144)  ADHD200: The ADHD-200 Sample. http://fcon_1000. projects.nitrc.org/indi/adhd200/（参照2019/8/6）
• 145)  ABIDE: Autism Brain Imaging Data Exchange. http://fcon_1000.projects.nitrc.org/indi/abide/（参照2019/8/6）
• 146)   Nieuwenhuis  M,  van Haren  NE,  Hulshoff Pol  HE, et al.: Classification of schizophrenia patients and healthy controls from structural MRI scans in two large independent samples. Neuroimage 2012; 61: 606–612.
• 147)   Chartrand  G,  Cheng  PM,  Vorontsov  E, et al.: Deep learning: A primer for radiologists. RadioGraphics 2017; 37(7): 2113–2131.
• 148)  今井 裕：理事長挨拶．日本医学放射線学会．http://www.radiology.jp/jrs_about/greeting.html（参照2019/8/6）
• 149)   橋爪  誠：平成29年度　次世代医療機器・再生医療等製品評価指標作成事業．人工知能分野審査WG報告書．http://dmd.nihs.go.jp/jisedai/Imaging_AI_for_ public/H29_AI_report_v2.pdf（参照2019/8/6）
• 150)   Philbrick  KA,  Yoshida  K,  Inoue  D, et al.: What does deep learning see? Insight from a classifier trained to predict contrast enhancement phase from CT image. Am J Neuroradiol 2018; 211: 1184–1193.
• 151)   Kobayashi  Y,  Ishibashi  M,  Kobayashi  H: How will “democratization of artificial intelligence” change the future of radiologists? Jpn J Radiol 2019; 37: 9–14.