Towards Reliable AI-Based Histological Staining: A Systematic Study of Scaling and Uncertainty in Unpaired Generative Models

技術要約：信頼性の高いAIベースの組織染色に向けて

問題提起
肝線維化のステージングは、通常、シリウスレッド（SR）染色を用いてコラーゲン含有量（コラーゲン割合面積：CPA）を定量化することに依存している。しかし、SR染色は組織、時間、および試薬を消費し、すべての臨床センターで利用可能というわけではない。AIによる「仮想染色」は、通常のヘマトキシリン・エオジン（H&E）入力からSR画像を生成できるが、既存の非教師あり（非対）手法には体系的なベンチマークが欠けている。既存の評価は知覚的指標に依存することが多く、それらは生物学的な正確性と相関しない。また、モデルが基礎となる組織構造を再現できない箇所、すなわち予測不確実性が具体的にどこにあるのかについても、これまで定量化されてこなかった。さらに、モデルの容量とデータ量が肝組織の変換品質にどのように共同で影響するかを体系的に比較した先行研究はなく、異なる非対生成モデルファミリー間でエピステミック不確実性（認識論的不確実性）が測定されたこともない。

手法
著者らは、以下の3つのコアコンポーネントを含む体系的な研究を提示している。

1. データセット： 新たに公開されたオープンリソースであり、胆管結紮実験によるマウス肝臓組織の全スライド画像（WSI）70枚で構成される。このデータセットには、同一の組織ブロックから得られた35枚のH&E切片と35枚のSR切片が含まれている。これらは隣接していない切片であるため、本質的に非対（unpaired）である。データは4つの疾患ステージとシャムコントロールをカバーしている。データは256×256のパッチにタイル化されており、30個体（60 WSI）を学習に使用し、5個体（10 WSI）をテスト用に確保した（ただし、位置合わせの問題により、day-63の検体1つがテストセットから除外されたため、最終的な保持テストセットは4個体/8 WSIとなった）。
2. スケーリング研究： 6つの非教師あり画像間変換（I2I）アーキテクチャ（CycleGAN, UNIT, MUNIT, DCLGAN, UVCGAN, CycleDiffusion）を対象としたフルファクタリアル実験を実施。各アーキテクチャは、3つのジェネレータ容量（Small: 約1,000万、Medium: 約5,000万、Large: 約1億パラメータ）と、3つの学習データ分量（25%, 50%, 100%）でテストされ、計54の異なる構成が評価された。
3. 評価フレームワーク：
   • タスク特化型指標： 主要な指標は、凍結されたnnU-Netコラーゲンセグメンテーションモデルを実画像と仮想SR画像の両方に適用して算出される、CPAの平均絶対誤差（MAE）である。
   • 知覚的/分布的指標： 視覚的な品質と分布のリアリズムを評価するために、Patch-SSIM、LPIPS、およびFIDを使用する。
   • エキスパート読影研究： 3名のエキスパート（2名の肝臓専門医、1名の組織学専門家）によるブラインド試験を行い、検出（実画像か生成画像か）および生物学的妥当性について、最良および最悪の構成を評価した。
   • エピステミック不確実性： 各ファミリーの最良の構成について、10個の独立したシードを用いたディープアンサンブルを学習させた。アンサンブル間のピクセル単位の分散は、エピステミック不確実性の尺度として機能し、非教師あり目的関数が独自の変換を特定できない箇所を示している。

主な結果

• 指標の独立性： 知覚的品質（SSIM, LPIPS, FID）、タスク特化型誤差（CPA MAE）、およびアンサンブルの一致性は、モデルの適合性を測るほぼ独立した軸である。知覚的指標は安定したGAN構成において狭い範囲で飽和し、CPA誤差が大きく異なるモデルを区別できないことが多い。例えば、CycleGANのMediumおよびLargeジェネレータは、ほぼ同一のSSIMスコアを示したが、CPA MAEには10倍の差があった（0.008 vs 0.085）。
• スケーリング挙動：
  • CycleGAN： 100%のデータを用いたMediumジェネレータが、本研究における最低のCPA MAE（0.008）を達成した。
  • DCLGAN： Smallジェネレータはすべてのデータ分量において安定していたが、Largeジェネレータはデータ分量が減少すると崩壊した。
  • MUNIT： すべての構成において最も安定した性能を示し、CPA MAEは狭い範囲（0.040–0.059）に収まった。
  • UVCGAN： Smallジェネレータのみが安定しており、MediumおよびLargeのバリアントは著しく劣化した。
  • CycleDiffusion： 拡散モデルの帰納バイアスにより、一貫して低いPatch-SSIMと高いLPIPSを示すという、質的に異なる挙動を示した。その不確実性プロファイルも独特であり、低い中央値の不確実性を示す一方で、非常に広い四分位範囲（IQR）を持っていた。
• 不確実性分析：
  • GANベースのファミリーは、狭い不確実性バンド内に集まった。DCLGANは最も狭い広がり（IQR 1.48）を示し、シード間の高い一貫性を示唆した。
  • CycleDiffusionは、最も低い中央値の不確実性（23.35）を示したが、最も広い広がり（IQR 5.89）を持ち、条件付きの一貫性（ノイズ空間が曖昧でない場合は決定論的であること）を示す一方で、曖昧な入力に対しては激しく乖離することを示した。
  • アンサンブルの分散は、GANについてはタイルレベルの誤差と中程度の相関があった（Pearson $\rho \approx 0.50–0.66$）が、CycleDiffusionについては無相関であった。
• エキスパートによる検証： ブラインド読影試験により、最良の構成（CycleGAN-M）は実画像のSRと容易に区別できず（読影者は最良のタイルを生成画像であると正しく識別できたのはわずか38%であった）、最悪の構成（CycleDiffusion-S）は生成画像として確実に識別された。この分離は、知覚的指標のランキングではなく、CPA MAEのランキングと一致していた。

意義と主張
本論文は、エピステミック不確実性を非対の染色間変換アーキテクチャ間で体系的に比較した最初の研究であると主張している。主要な貢献は、単一の指標では仮想染色のモデル適合性を捉えられないことを示した点にある。著者らは、信頼性の高い仮想染色には、以下の3つの軸に基づく共同の報告と選択が必要であると論じている。

1. 知覚的品質： 視覚的なリアリズム。
2. タスク特化型誤差： 生物学的な正確さ（CPA MAE）。
3. アンサンブル不確実性： 特定の入力に対する変換への信頼度。

本研究は、モデルの選択は意図されたダウンストリームの用途によって決定されるべきであると結論付けている：

• CycleGAN (Medium, 100% data): 純粋なタスク精度（線維化定量化）に最適。
• DCLGAN (Small): タイルごとの信頼性が重要である場合に、精度とアンサンブルの一致の間の最良のトレードオフを提供。
• MUNIT: 変動するデータ予算に対して最も安全なデフォルト。
• CycleDiffusion: 条件付きの一貫性を持つが、その不確実性信号の慎重な解釈が必要。

著者らは、これらの知見が固定予算のゼロからの学習体制および特定のマウス肝臓データセットに特有のものであることを強調している。彼らは、今後のベンチマークにおいてこれら3つの指標を併せて報告すること、および、これらのアーキテクチャのランキングの転移性を検証するためにヒト生検組織でのクロスコーホート検証を行うことを求めている。データセット、パイプライン、およびコードは I2I-Stain-Zoo として公開されている。