KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment

以下は、「KAYRA: クラウドおよびオンプレミス展開を備えた AI 支援核型分析のためのマイクロサービスアーキテクチャ」と題された論文の詳細な技術的サマリーです。

1. 問題定義

核型分析は、G 帯 metaphase 顕微鏡画像からヒト染色体を視覚的に識別し、順序付け、対にするという、重要な臨床診断手順です。これは、出生前スクリーニング、腫瘍学（例：フィラデルフィア転座の検出）、および遺伝性疾患の診断に不可欠です。

• 現在の課題: このプロセスは現在、手動であり、時間がかかる（症例あたり 30〜90 分）、かつ高度に訓練された細胞遺伝学者という希少な労働力に依存しています。
• システムエンジニアリングのギャップ: 深層学習モデル（例：Mask R-CNN、U-Net）はセグメンテーションと分類において高い精度を示していますが、堅牢なシステムエンジニアリングソリューションの欠如があります。具体的には、以下のような展開可能な臨床サービスが必要です：
  • 多モデルパイプライン（検出、セグメンテーション、分類）の処理。
  • 厳格な臨床制約（患者データの所在地、オンプレミス対クラウドの柔軟性）内での運用。
  • 専門家レビューのための「ヒト・イン・ザ・ループ」ワークフローの統合。

2. 手法：KAYRA システム

KAYRA は、コンテナ化されたマイクロサービスパイプラインとして設計されたエンドツーエンドの核型分析システムです。これは展開に依存しない設計となっており、クラウド（管理型 Kubernetes）およびオンプレミス（Docker Compose）環境の両方で同一のコンテナイメージを実行します。

A. システムアーキテクチャ

このシステムは、HTTP/REST を介して通信する単一責任のマイクロサービスにワークフローを分解します：

• パイプラインオーケストレーター: 画像ごとのフローを調整します。劣化動作を実装しており、アップストリームサービスが失敗した場合、パイプラインはそのステージをスキップして完全な失敗ではなく部分的な結果を返すことで、細胞遺伝学者にとっての有用性を確保します。
• モデルサービス:
  1. セマンティックセグメンテーション: EfficientNet-B5 + U-Net。
  2. インスタンス検出: Mask R-CNN (ResNet-50 + FPN)。
  3. 重複/オーバーラップ解決: 専用のロジックステージ。
  4. 分類 + 回転: ResNet-18 分類器。
• バックエンド: 画像取り込み、非同期タスクキューイング、インタラクティブ編集 API、ISCN 準拠の核型図合成を処理します。
• フロントエンド: 完全な監査証跡を備えた、インタラクティブな専門家レビュー（染色体の分割、結合、再分類、回転）をサポートします。

B. カスケード型 ROI 絞り込みパイプライン

中核的な革新は、重なり合う染色体の処理と計算負荷の軽減のために「分割統治」アプローチを適用するカスケード型領域（ROI）戦略です：

1. Otsu プリフィルター: 元の画像（例：1830×1830）をダウンサンプリングし、Otsu 法で二値化し、連結成分にラベルを付けて粗い切り抜き（crop1）を作成します。
2. セマンティックリファインメント: crop1 を 992×992 にダウンスケールし、U-Net（EfficientNet-B5 バックボーン）で処理して 3 クラスマスク（背景、染色体、オーバーラップ）を生成します。
3. tight ROI 抽出: U-Net マスクの非ゼロ領域が、元の解像度でより狭い切り抜き（crop2）を定義します。
4. インスタンスセグメンテーション: Mask R-CNN は、個々の染色体を検出しピクセル単位の正確なマスクを生成するために、crop2 上でのみ（0 度および 45 度の角度で）実行されます。
5. 分類: 検出された染色体は切り抜かれ、染色体タイプ（1〜22、X、Y）および回転角度推定のためにResNet-18分類器に渡されます。

なぜカスケードが重要なのか:

• 効率性: Mask R-CNN は約 34% 小さいピクセル領域を処理し、RPN 提案負荷を軽減します。
• 安定性: 固定入力サイズ（992×992）はメモリプロファイルとバッチ処理を安定させます。
• 精度: 各モデルは、処理するのに最も適したデータのみを見ます（例：U-Net が Mask R-CNN がオーバーラップを分離しようとする前に背景ノイズを除去する）。

C. 訓練データ

モデルは、以下の約 24,000 件の専門家による注釈付き核型図の組み合わせデータセットで訓練されました：

• 末梢血および骨髄サンプル。
• 構造的異常症例（転座、欠失）。
• 特定の異常（例：t(9;22) フィラデルフィア染色体）。
• 異ベンダー間の堅牢性のための商用プラットフォームからのデータ。
• プライバシー: 学習/検証/テストセット間の漏洩を防ぐため、データ分割は患者識別子レベルで行われます。

3. 主要な貢献

1. マイクロサービスアーキテクチャ: クラウドおよびオンプレミス展開の両方をサポートする柔軟なコンテナ化システムであり、患者データの所在地という重要な要件に対応します。
2. カスケード型 ROI パイプライン: Otsu プリクロッピング、U-Net セマンティックリファインメント、Mask R-CNN インスタンスセグメンテーションを連鎖させる、パフォーマンス向上のための新しいエンジニアリングアプローチ。
3. 臨床検証: 実際の臨床データを用いて、KAYRA を 2 つの商用参照システム（1 つは密度閾値、もう 1 つは最新の AI）と比較する厳格なパイロット研究。
4. ヒト・イン・ザ・ループ統合: 臨床導入を目的としたワークフローで、細胞遺伝学者がバージョン管理と監査を完全に行いながら AI 出力を修正できます。

4. 結果

このシステムは、2 つの商用参照システムに対して、10 個の metaphase スプレッド（正常 7、異常 3）から得られた459 個の染色体で評価されました。

指標	KAYRA	参照 2 (最新の AI)	参照 1 (密度閾値)	統計的有意性 (KAYRA vs. 参照 1)
セグメンテーション精度	98.91%	78.21%	40.52%	$p < 0.0001$
分類精度	89.1%	86.9%	54.5%	$p < 0.0001$
回転精度	89.76%	94.55%	78.43%	$p < 0.0001$

• セグメンテーション: KAYRA は両方の参照システムを大幅に上回り、459 個の染色体のうち 454 個を正しくセグメンテーションしました。参照 2 に比べて「結合」エラーが顕著に減少しました。
• 分類: KAYRA は 89.1% の精度を達成し、古い参照 1 を大幅に上回りました。参照 2（86.9%）との差はサンプルサイズを考慮すると統計的に有意ではありませんでした（$p=0.34$）が、KAYRA は中サイズの B グループおよび C グループで優れた性能を示しました。
• 回転: KAYRA は参照 2 よりもわずかに劣りました（89.76% 対 94.55%）。これは訓練データ拡張による改善が必要な領域として特定されました。
• 堅牢性: KAYRA は、おそらく訓練分布に起因して、末梢血（86.5%）よりも技術的に困難な骨髄サンプル（93.5% 精度）でより良い性能を発揮しました。

5. 意義と結論

• 臨床的準備性: KAYRA は**TRL 6（技術成熟度レベル 6）**に達しており、関連する環境で検証されたプロトタイプを実証しています。
• 展開の柔軟性: このアーキテクチャは、複雑な多モデル AI パイプラインを厳格な臨床データガバナンス（オンプレミス）を満たすようにパッケージ化しつつ、クラウド展開のスケーラビリティを犠牲にしないことを証明しています。
• 今後の課題: システムはバックボーンに依存しないため、アーキテクチャの大幅な変更なしに、トランスフォーマーベースのモデル（例：Mask2Former）への将来のアップグレードが可能です。計画されている次のステップには、多施設検証、回転精度の向上、Y 染色体の過小表現への対応が含まれます。

結論: KAYRA は、学術的な深層学習モデルと展開可能な臨床細胞遺伝学サービスの間のギャップを成功裡に埋め、既存の専門家ワークフローにシームレスに統合される、堅牢で柔軟かつ高精度なソリューションを提供します。