生成AI初心者が試した論文検索方法とは？
このNote記事は有料化されていますが、有料部分には私の感謝の言葉しかありません。本文は全て無料で読めます。投げ銭感覚で応援いただければとても嬉しいです。
皆さん、こんにちは。よく飲むお酒はジョニ赤のsofurin56です。ウィスキー、マッサンブームから円高の影響まで、ここ10年で価格がどんどん上がってしまいましたね。それでも1500円程度で楽しめるこのウィスキーは、しみる美味しさがあります。
さて、本題に入りましょう。論文検索に挑戦するのは、ウィスキーを選ぶのと少し似ているかもしれません(?)。どちらも試行錯誤を経て、自分にぴったりのものを見つける楽しさがあります。今回は、私が生成AIを使って論文検索にチャレンジした様子をお伝えします。ぜひ最後までお付き合いください。
生成AIで論文検索できるのか？
放射線技師として、日々の業務で最新の知識や技術を取り入れることが求められます。論文検索はその一環ですが、膨大な情報に圧倒されたり、時間がかかるのが悩みの種です。以前、生成AIを使った論文検索について紹介されているのを見て、「これならもっと簡単に検索できるかも？」と思い、実際にどの程度簡単にできるのかを、生成AI初心者の私が試してみました。
実例
GPTs「Consensus」
ChatGPTを活用した論文検索で有名なのが「Consensus」です。Consensusは、信頼性の高い2億件以上の学術論文へのアクセスを提供し、引用リンクを通じて情報の正確性を確認できます。特に、複数の論文を統合して結論を導き出す機能が強みで、短時間で効率的に必要な情報を得ることが可能です。
今回は文献を探してもらいますが、専門的な質問をしても文献を参考に回答してくれます。
わたし
CT画像にてDeep Learning Image Reconstruction を使用し、被ばく低減を試みた文献はありますか。日本語でお願いします。
Consensus
CT画像において、Deep Learning Image Reconstruction（DLIR）を使用して被ばく低減を試みた文献はいくつか存在します。以下にそのいくつかを紹介します。
Higaki et al. (2020): 本研究では、深層学習を活用した再構成法（DLR）を導入し、他の最先端技術と比較して画像ノイズの低減や解像度の改善を評価しました。特に、低線量条件でのDLR画像では、ノイズが著しく低減され、タスクベースの検出能力が他の方法よりも優れていることが確認されました (Higaki et al., 2020)。
Brady et al. (2020): 小児用CTにおいて、DLRアルゴリズムが従来の手法に比べてノイズ除去能力に優れ、放射線量の大幅な削減を実現したことが示されました。DLRは従来の再構成技術よりも画像品質を向上させ、放射線量を52%削減する可能性があるとされています (Brady et al., 2020)。
Greffier et al. (2020): 本研究は、DLIRアルゴリズムの新たな導入が、従来のハイブリッド反復再構成（IR）技術と比較して、ノイズ低減と画像解像度の改善において優れていることを示しました。このアルゴリズムはノイズのテクスチャを変えずにノイズを低減し、画像検出能力を向上させるとされています (Greffier et al., 2020)。
これらの文献により、DLIRを使用することでCT画像における被ばくを効果的に低減できることが示されています。今後、さらなる臨床研究が必要とされていますが、現時点での結果は非常に有望です。
今回は論文を探してもらいましたが、本来ConsensusはYes/No形式の質問に対して、エビデンスに基づいて答えてくれます。関連した論文を3～5件ほど提示してくれます。ただし、件数が少ないため、網羅的な検索には不向きです。また、同じ質問をしても毎回異なる論文を引っ張ってきたりします。
今回のテーマではうまく関連性の高い論文が出ましたが、場合によっては関連性が薄いと感じる論文が提示されることもあります。また、同じ質問をしても毎回異なる論文が引っ張られてくることがあり、一貫性に欠けることがあります。それでも、各論文にはリンクが付いているため、情報の正確性を簡単に確認できます(この記事では念のためリンクを消しています)。
また、Consensusが引っ張ってくるのは基本的に英語の論文です。そのため、「日本語でお願いします。」といった一文を入れないと、検索結果や回答がすべて英語で表示される点に注意が必要です。
GPTs「Scholar AI」
次に試したのが「Scholar AI」です。Consensusと同じように使えます。
Scholar AI
CT画像において、Deep Learning Image Reconstruction（DLIR）を使用して被ばく低減を試みた文献は複数存在します。以下にいくつかの代表的な研究を紹介します。
冠動脈CT血管造影における被ばく低減
DLIRを使用することで、冠動脈CT血管造影（CCTA）の被ばく量が40%以上削減されるとともに、画像品質と診断精度が維持されました【Benz et al. (2021)】。
低線量胸部CTにおけるDLIRの効果
DLIRは、従来のフィルターバックプロジェクション（FBP）や逐次再構成（IR）と比較して、低線量胸部CT（LDCT）の画像品質を向上させることが示されています。特に、DLIR-Highは0.18 mGyの線量でFBPと同等の品質を示しました【Jung et al. (2023)】。
腹部マルチディテクタCTにおけるDLIRの利用
DLIRアルゴリズムを使用することで、放射線量を約70%削減しながらも、画像品質が維持されました。DLIRはFBPやハイブリッドIRと比較して、画像ノイズが低減され、コントラスト対ノイズ比（CNR）が高く、全体的な画像品質も向上しました【Park et al. (2022)】。
これらの研究は、DLIRの使用がCT検査において放射線被ばくを大幅に低減しつつ、診断精度を保つ有効な手段であることを示しています。さらに詳細な研究や具体的な適用例については、各論文のリンクから参照できます。
Scholar AIは、Consensusよりも論文の選定が良い印象を受けました。特に、要約がわかりやすく、具体的な数値を含めてくれるため、求めていた情報を的確に提供していると感じます。また、検索結果の精度が高く、必要なデータに迅速にアクセスできる点が魅力です。
Pubmed Researcher GPT
PubMedは、医学・生命科学分野の文献を検索できる無料のオンラインデータベースです。無料で誰でも利用可能ですが英語での検索が基本でMeSH(Medical Subject Headings)という統制語彙がある程度わからなければ、目的の論文を見つけるのに少々手間がかかります。
「PubMed Researcher GPT」とは、生成AIを医療分野で活用しているEARL先生が考案したGPTツールで、PubMed検索が得意でない私のような者でも、日本語で簡単にPubMedを検索できるようにしてくれます。
このツールを使うには、まずPubMedのAPIキーを取得し、GPTにそのAPIを設定する必要があります。具体的な作成方法は、リンク先に詳細が公開されています。また、このツールを使うためにはMy GPTsを作成する必要があり、ChatGPT Plusの加入が必要です。
以下は少し長いですが、使用例です。
わたし
CT画像にてDeep Learning Image Reconstruction を使用し、被ばく低減を試みた文献はありますか。
Pubmed Researcher GPT
CT画像において、Deep Learning Image Reconstruction（深層学習画像再構築）を使用して被ばく低減を試みた文献を検索します。この検索では、以下のキーワードを使用します
"CT imaging"
"Deep Learning Image Reconstruction"
"Radiation Dose Reduction"
以下のクエリでPubMedを検索しますが、実行してよろしいでしょうか？
(("CT imaging" OR "Computed Tomography") AND "Deep Learning Image Reconstruction" AND ("Radiation Dose Reduction" OR "Dose Reduction"))
実行する場合はお知らせください。
わたし
お願いします
Pubmed Researcher GPT
PubMedでの検索により、42件の関連する文献が見つかりました。最初の20件の文献の詳細を取得することが可能です。
文献のリストをExcelファイルにまとめるか、ここで表形式で出力するか、お選びください。どちらがよろしいでしょうか？
わたし
表形式でおねがします。
Pubmed Researcher GPT
以下は、CT画像においてDeep Learning Image Reconstructionを使用し、被ばく低減を試みた文献のリストです。
（表略 PMIDとタイトルが20件出てきます）
わたし
39170325
Pubmed Researcher GPT
論文概要
タイトル:
Optimizing computed tomography image reconstruction for focal hepatic lesions: Deep learning image reconstruction vs iterative reconstruction.
著者:
Jaruvongvanich V, Muangsomboon K, Teerasamit W, Suvannarerg V, Komoltri C, Thammakittiphan S, Lornimitdee W, Ritsamrej W, Chaisue P, Pongnapang N, Apisarnthanarak P.
発表雑誌:
Heliyon, 2024年7月18日; 10(15).
DOI: 10.1016/j.heliyon.2024.e34847
PMCID: PMC11336302
PMID: 39170325
背景:
Deep learning image reconstruction (DLIR)は、画像ノイズを最小化し、画像品質を向上させ、放射線量の低減を可能にする新しいCT再構築技術です。この研究は、DLIRと従来の反復再構築（IR）を使用した肝病変の診断性能を比較することを目的としています。
方法:
本研究では、216の肝病変と109人の成人参加者を対象に、腹部CTスキャンを実施しました。DLIR（低、中、高強度）およびIR（0%、10%、20%、30%）の技術を使用して画像を再構築しました。4人の経験豊富な腹部放射線科医が、病変の検出性、病変の境界、診断信頼度、画像アーティファクト、全体的な画像品質の5つの定性的側面に基づいて評価しました。また、肝臓および大動脈での各技術の画像ノイズレベルを定量的に測定し比較しました。
結果:
7つの再構築技術の間で、病変の境界、画像アーティファクト、全体的な画像品質において有意な差（p < 0.001）が見られました。低強度のDLIR（DLIR-L）は全体的な画像品質で最良の結果を示しました。高強度のDLIR（DLIR-H）は最も少ない画像ノイズとアーティファクトを持っていましたが、病変の境界と全体的な画像品質のスコアは最低でした。画像ノイズは参加者の体重指数とウエスト周囲径と弱から中程度の正の相関を示しました。
結論:
最適強度のDLIRは、IR技術と比較して、肝病変の評価において全体的な画像品質を大幅に向上させました。DLIR-Lは、病変の境界品質を維持しつつ、許容可能なレベルの画像ノイズと最高の全体的な画像品質を達成しました。
利益相反声明:
著者らは、本論文で報告された研究に影響を与える可能性のある既知の経済的利益または個人的な関係はないことを宣言しています。
さらに詳細が必要であればお知らせください。
わたし
結果についてもう少し詳しく教えて
Pubmed Researcher GPT
結果の詳細
画像再構築技術の比較:
本研究では、7つの異なる画像再構築技術（DLIRの低・中・高強度とIRの0%、10%、20%、30%）の間で、肝病変の評価における画像品質を比較しました。
評価項目として、病変の検出性、病変の境界、診断の信頼度、画像アーティファクトの有無、全体的な画像品質が含まれました。
再構築技術ごとの特徴:
DLIR-L（低強度DLIR）:
最も高い全体的な画像品質を示しました。他の技術と比較して、DLIR-Lは病変の検出性と画像アーティファクトにおいても良好な結果を示しました。
許容可能なレベルの画像ノイズを維持しながら、病変の境界の明瞭さも良好でした。
DLIR-H（高強度DLIR）:
画像ノイズが最も少なく、アーティファクトも少ないことが特徴です。
しかし、病変の境界の明瞭さと全体的な画像品質に関しては、他の技術（特にDLIR-L）よりも劣っていました。これは、画像の平滑化が強すぎて、細かい病変の境界がぼやける可能性があるためです。
IR技術（0%、10%、20%、30%）:
DLIR技術に比べて画像ノイズが多く、全体的な画像品質も劣っていました。特に高いノイズレベルとアーティファクトが問題となり、病変の評価が難しい場合がありました。
体格指数との関係:
研究では、画像ノイズと被験者の体格指数（BMI）およびウエスト周囲径の間に弱から中程度の正の相関があることがわかりました。つまり、体格指数が高い患者では画像ノイズが増加する傾向がありました。
臨床的意義:
本研究の結果は、肝病変の評価において、DLIR技術が従来のIR技術よりも優れていることを示唆しています。特にDLIR-L（低強度DLIR）は、画像ノイズを最小限に抑えつつ高品質な画像を提供するため、肝病変の診断精度を向上させる可能性があります。
結論
本研究は、DLIR技術、特にDLIR-Lが、従来のIR技術に比べて肝病変の評価において優れた画像品質を提供し、放射線被ばくを低減できることを示しています。これにより、患者の被ばくリスクを減らしながら高精度な診断が可能となると考えられます。
この結果に基づいて、医療現場でのCT画像診断におけるDLIR技術の導入が推奨されることが期待されます。
さらに詳しい情報や別の論文について知りたい場合はお知らせください。
このように、日本語で入力すると自動で適切なクエリを作成してくれます。もしクエリに不満がある場合は、その点を指摘すると修正もしてくれます。
次に、「文献のリストをExcelファイルにまとめるか、ここで表形式で出力するか」を尋ねられます。今回は表形式でまとめてもらいましたが、Excelファイルに出力することも可能です。ただし、ファイルが大きくなるとエラーが発生することもあります。
リストが表示された後、PMIDを入力すると、その論文の概要を教えてくれます。非常に便利ですよね。このGPTを使えば、日本語で簡単にPubMedを検索し、さらに素早く内容も把握できます。ただし、ハルシネーション（虚偽の情報生成）のリスクもあるため、得られた情報を自分で確認することが重要です。
PubMed検索式 + NotebookLM (+ Connected Papers)
この方法は、限界助教先生のNoteを参考にしています。詳細はリンク先をご覧ください。
限界助教先生のNote記事は、生成AIと医療分野の融合に関して非常に役立つ情報が満載です。興味がある方は、ぜひ一度チェックしてみることをお勧めします。
この記事では「PubMed検索式GPT」を使用していますが、私はClaudeでも試してみました。Claudeへの移行方法についても、先生の記事が非常に参考になります。なお、先生のPubMed検索式GPTは公開されており、無料ユーザーでも使用可能です。ただし、Claudeを使う場合はProjects機能を利用するため、有料版への加入が必要です。どちらを使っても良いと思いますが、私の経験ではClaudeの方がより精度の高い絞り込みが可能で、効果的だと感じました。
PubMed検索式GPTは、日本語で検索したい内容を入力すると、適切なクエリを3つ生成してくれます。
わたし
CT画像にてDeep Learning Image Reconstruction を使用し、被ばく低減を試みた文献はありますか。
PubMed検索式GPT（Claude版）
ご質問ありがとうございます。CTスキャンにおけるDeep Learning Image Reconstructionを用いた被ばく低減に関する文献を探すのですね。それでは、PubMedで効果的な検索クエリを作成していきましょう。まず、キーワードを英語に翻訳し、検索クエリを作成します。
広範囲の検索クエリ（500件以上の結果を目指します）:
(("computed tomography"[Title/Abstract] OR "CT"[Title/Abstract] OR "CT scan"[Title/Abstract] OR "Tomography, X-Ray Computed"[Mesh]) AND ("deep learning"[Title/Abstract] OR "deep neural network"[Title/Abstract] OR "artificial intelligence"[Title/Abstract] OR "machine learning"[Title/Abstract] OR "Deep Learning"[Mesh] OR "Artificial Intelligence"[Mesh]) AND ("image reconstruction"[Title/Abstract] OR "image processing"[Title/Abstract] OR "Image Processing, Computer-Assisted"[Mesh]) AND ("radiation dose reduction"[Title/Abstract] OR "dose reduction"[Title/Abstract] OR "low dose"[Title/Abstract] OR "radiation exposure"[Title/Abstract] OR "Radiation Protection"[Mesh] OR "Radiation Dosage"[Mesh]))
中程度の検索クエリ（100-200件の結果を目指します）:
(("computed tomography"[Title/Abstract] OR "CT"[Title/Abstract]) AND ("deep learning"[Title/Abstract] OR "artificial intelligence"[Title/Abstract]) AND "image reconstruction"[Title/Abstract] AND ("radiation dose reduction"[Title/Abstract] OR "dose reduction"[Title/Abstract] OR "low dose"[Title/Abstract]))
焦点を絞った検索クエリ（50-100件の結果を目指します）:
("CT"[Title/Abstract] AND "deep learning"[Title/Abstract] AND "image reconstruction"[Title/Abstract] AND "dose reduction"[Title/Abstract])
これらの検索クエリをPubMedに入力して、それぞれの結果数をお知らせください。結果数に基づいて、必要に応じてクエリを調整します。
わたし
668
187
75
PubMed検索式GPT（Claude版）
ありがとうございます。それぞれの検索クエリで良い結果が得られたようですね。特に広範囲の検索で多くの結果が得られており、十分な数の文献をカバーできていると思います。
では、これらの結果について日本語で簡単に説明させていただきます
広範囲の検索（668件）: この結果は、CT画像におけるDeep Learning Image Reconstructionと被ばく低減に関する幅広い研究を網羅しています。関連する可能性のある文献を広く捉えているため、この分野の全体的な傾向や最新の進展を把握するのに適しています。
中程度の検索（187件）: より焦点を絞った結果で、Deep Learning Image Reconstructionを特にCT画像の被ばく低減に応用した研究に重点を置いています。この結果セットは、トピックの核心により近い研究を見つけるのに役立つでしょう。
焦点を絞った検索（75件）: 最も具体的な結果セットで、CT画像におけるDeep Learning Image Reconstructionを用いた被ばく低減に直接関連する研究に絞り込んでいます。これらの文献は、あなたの研究テーマに最も密接に関連している可能性が高いです。
これらの結果に基づいて、どのような方向で研究を進めたいか、あるいは特定のサブトピックにさらに焦点を当てたいかなど、何か具体的な要望はありますか？例えば、特定の臓器や疾患に関するCT画像、あるいは特定のDeep Learningアルゴリズムに焦点を当てるなど、検索をさらに絞り込むことも可能です。
生成されたクエリをPubMedに入力して検索を行い、必要に応じてエラーメッセージを入力したりヒット数を入力すると、クエリを自動的に修正してくれます。検索クエリを手軽に作成したい場合は、PubMed Researcher GPTを設定するよりもこちらの方法がシンプルで使いやすいでしょう。
また、PubMed検索式GPTで作成したクエリをPubMed Researcher GPTに入力し、API経由で検索することも可能です。ただし、個別の論文をひとつずつ確認するのは手間がかかるかもしれません。そこで、真価を発揮するのがNotebookLMです。NotebookLMはGoogleのGemini 1.5 Proを搭載した新しい情報整理ツールで、検索結果の抄録やサマリーから詳細な回答を提供してくれます。
使用方法については、限界助教先生のNoteを参考にしてください。
NotebookLMを使用することで、PubMedで検索した抄録（またはサマリー）から詳細な回答を得ることができ、ソースも簡単に確認できます。これにより、自分の目で情報の信頼性をチェックすることが可能です。
この方法は、複数のツールを組み合わせて使用するためやや煩雑かもしれませんが、私の経験では、最も効果的に探している論文を見つけることができる方法だと感じます。
さらに本当に見たかった論文を見つけた際は「Connected Papers」で芋づる式に見つけることもできます。
論文のタイトルを入れると関連性の高い論文をグラフとして可視化してくれます。関連度や引用数なども簡単にわかります。無料のプランでも毎月5つまでのグラフ作成が可能です。これもかなり便利です。
Google Scholar
もはや生成AIではないですが日本語の論文を検索する際には、「Google Scholar」を使用しています。これについては、特に説明するまでもなく、キーワードを入力するだけで関連性の高い論文がすぐに表示されるため、非常に効率的に検索を行えます。
Google Scholarはシンプルなインターフェースで、操作も直感的です。検索結果の精度も高く、必要な文献に迅速にアクセスできるため、忙しい業務の合間に情報収集を行いたい場合にも非常に役立ちます。
まとめ
今回、生成AI初心者の私が試した5つの論文検索方法を紹介しました。私が実際に論文を探したいときに頻繁に使用するのは、Google Scholar、PubMed Researcher GPT、そしてPubMed検索式です。網羅的に論文を探したい場合には、これらのツールが最適です。
一方、ConsensusとScholar AIは、特定の疑問点を簡単に解決したいときに役立ちます。短時間で関連する情報を得ることができるため、初期の調査や素早い情報収集に便利です。
各ツールの強みと弱みを理解し、状況に応じて使い分けることで、より効率的に必要な情報を手に入れることができます。今回の体験を通じて、生成AIを活用した論文検索が、どれだけ業務の効率化に貢献するかを実感しました。皆さんもぜひ、自分に合ったツールを見つけてみてください。
著者プロフィール：
CT好きの放射線技師。Pythonと生成AIにも挑戦中。まだ詳しくはないけれど、学び続けることが楽しみです。技術と知識を日々アップデート中！
「VALORANT」にハマる。ジョニ赤好き。
ここから先は
¥ 100
この記事が気に入ったらチップで応援してみませんか？