CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification
CytoFormerは、16種類の臓器から得られたペアとなるH&E組織染色画像と空間的トランスクリプトームデータを活用することで、病理医による手動の注釈に依存することなく、正確で、ラベル効率が高く、かつ汎用性の高い細胞分類を実現する新しい細胞基盤モデルです。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
医学の世界において、人体の中を覗き見る最も一般的な方法は、ピンク色と紫色に染色された薄い組織の切片を顕微鏡で観察することです。これは、がんなどの疾患を診断するための標準的な手法です。病理医はこれらのスライドを見て、そこに存在する細胞の種類（それが健康な組織なのか、侵入してきた免疫細胞なのか、あるいは制御を失った腫瘍細胞なのか）を識別します。この視覚的な検査は強力ですが、同時に低速で主観的であり、規模を拡大することも困難です。何百万もの個々の細胞を目視で数えることは不可能であり、たとえ専門家であっても、顕微鏡下で異なる細胞タイプがほぼ同一に見える場合、特定の細胞が何であるかについて意見が分かれることさえあります。数十年にわたり、コンピュータにこのカウントを自動化させるという夢がありましたが、そのようなコンピュータの構築は一つのボトルネックに阻まれてきました。それは、機械に何を探すべきかを教えるために、人間の専門家が何百万もの細胞を手作業でラベル付けしなければならないという点です。この手作業は退屈で費用がかかり、しばしば信頼性に欠けるため、真に知的なシステムを訓練するための高品質なデータが不足するという状況を招いてきました。
ペンシルベニア大学の研究チームは、この人間のボトルネックを完全に回避する方法を見出しました。彼らは病理医に細胞のラベル付けを依頼する代わりに、別の種類の生物学的マップを使用してコンピュータに学習させました。彼らは、標準的なピンクと紫色の組織スライドを、分子バーコードスキャナーのように機能する「空間トランスクリプトミクス」と呼ばれる新しい技術と組み合わせました。このスキャナーは、細胞が組織内に留まっている間に、その個々の遺伝活動を読み取ります。遺伝コードは細胞のアイデンティティとして固有のものであるため、人間が推測することなく、その細胞がどのような種類であるかを正確に教えてくれるのです。これらの分子のアイデンティティを標準的なスライド上の対応する画像と一致させることで、チームは大規模な自己教師あり学習用データセットを作成しました。彼らはこれを用いて、「CytoFormer」と呼ばれる新しい人工知能モデルを訓練しました。このモデルは、日常的な顕微鏡画像における細胞の形状や質感を見るだけで、細胞の種類を認識することを学習したのです。
その結果、人間の専門家に匹敵する精度で細胞タイプを識別できるシステムが誕生しました。しかも、訓練中に人間が細胞の周囲に枠を描く必要は一切ありませんでした。研究者たちは、乳房や肺から脳や骨髄に至るまで、人体における16種類の臓器をカバーする81種類の異なる組織切片からデータを集めました。合計で1,500万個以上の個々の細胞を処理しました。各細胞について、コンピュータは染色された画像における視覚的な外観と、遺伝スキャナーによって提供される特定の分子アイデンティティを関連付けることを学習しました。これにより、モデルは全身に通用する細胞の形状の「普遍的な言語」を学ぶことができました。モデルが一度も見たことがない新しい組織切片を用いてテストを行った際、細胞タイプを平均して85パーセントの割合で正しく識別しました。さらに重要なことに、モデルは単に細胞を数えただけではありません。腫瘍、免疫細胞、そして健康な構造がどこに位置しているかを正しくマッピングすることで、組織全体の構造を再構築し、臓器の生物学的な景観を効果的に再現したのです。
この発見が特に重要なのは、モデルがその知識を新しい状況にいかにうまく転移できるかという点にあります。研究者たちは、訓練中に遭遇したことのない臓器や細胞タイプをAIが扱えるかどうかをテストしました。彼らは、元の訓練セットには含まれていなかった結腸や皮膚などの臓器の細胞を含む、4つの異なる公開データセットにこのモデルを適用しました。これらの特定の組織を事前に見ていなかったにもかかわらず、モデルは、何百万もの手動ラベル付けされた画像を用いて訓練された他の6つの主要な人工知能システムを上回る性能を示しました。特に、細胞が非常によく似ているような困難なシナリオ、例えば、正常な健康組織とそれを模倣する癌組織を区別する場合において、その効果は顕著でした。あるテストでは、モデルは人間から提供されたわずか数百の例を用いるだけで、見た目が似ている腫瘍細胞の中に隠れた正常細胞を見つけ出すことができましたが、他のシステムは同じレベルの精度に達するために、より多くの例を必要としました。これは、モデルが単に特定の細胞タイプのリストを暗記したのではなく、環境の中で細胞がどのように見えるかという根本的な視覚的ルールを学習したことを示唆しています。
また、研究者たちは、コンピュータが正しい識別を行うために、周囲の組織をどの程度見る必要があるのかについても調査しました。彼らは、細胞自身のみを示す非常に小さなビューから、近隣全体を示す大きなビューまで、各細胞の周囲の画像ウィンドウのサイズを変えてテストを行いました。その結果、モデルは細胞とその直近の隣人を見ることができれば最もよく機能するものの、組織切片全体を見る必要はないことが分かりました。このバランスにより、コンピュータは細胞自身の細かな形状を見失うことなく、その細胞が血管の中にいるのか、腫瘍塊の中にいるのか、あるいは健康な腺の中にいるのかといった、細胞の「文脈（コンテキスト）」を理解することができました。この特定のウィンドウサイズは、細胞の非常に小さくも明確なビューに対応しており、精度を実現するための「スイートスポット」であることが証明されました。
分子データを遺伝スキャナーによる視覚的認識の教育ツールへと変えることで、チームは日常的な組織スライドに適用できる再利用可能なリソースを作り上げました。このモデルは、実行するために高価な新しい装置を必要としません。病院で毎日使用されている標準的なスライドを分析できるのです。研究者たちは、コードと訓練済みモデルを科学コミュニティに公開しており、他の人々がこの新しい細胞の見方を活用できるようにしています。現在のモデルは、見た目が似ているため、異なる種類の免疫細胞などの非常に似通った細胞を同じグループにまとめてしまうことがありますが、これは大きな前進です。それは、手作業によるラベル付けという遅くて高価なプロセスに頼ることなく、強力な細胞分析ツールを構築できることを証明しています。このアプローチは、何百万もの細胞を数千人の患者に対して分析することを可能にし、日常的な顕微鏡スライドを、医師がより早期かつ正確に疾患を診断するのに役立つ詳細な細胞活動の地図へと変える扉を開いています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。