Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort
本研究は、デュアルMask R-CNNアーキテクチャを用いて全スライド画像から骨髄細胞密度を自動推定し、過小評価されているインドの臨床コホートで検証された、エキスパートレベルの精度を実現するディープラーニングフレームワークであるAiSAPを導入するものである。
原論文は CC BY 4.0 (https://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
医師が患者の病状を解明するために、顕微鏡で組織の極めて小さな断片を見つめなければならない世界を想像してみてください。それはまるで、巨大で散らかった砂の箱の中に隠された、特定の小さな玩具をいくつか探し出すようなものです。これは、医師が患者の骨髄（血液細胞が生まれる場所である骨の中のスポンジ状の組織）を検査する際に行われていることそのものです。白血病や貧血のような深刻な疾患を診断するために、彼らは「細胞密度（cellularity）」、つまり、血液を作る細胞がどれくらいのスペースを占めているか、対して脂肪細胞がどれくらいあるのかを知る必要があります。現在、人間の専門家は、ガラスのスライドを凝視し、細胞を数え、パーセンテージを推測しなければなりません。それは時間がかかり、疲れやすく、二人の異なる専門家が同じスライドを見ても、わずかに異なる答えを出してしまうことがあります。ここで人工知能（AI）が登場します。AIを、デジタル画像全体をスキャンして、私たちの代わりにカウントを行ってくれる、超高速で疲れを知らないロボットの助手だと考えてください。しかし、このロボットが機能するためには、血液細胞と脂肪細胞の違いを見分ける方法を教え込まれ、混乱しないように実際の人間を使ってテストされる必要があります。
本論文では、AiSAP（Artificial Intelligence Slide Analysis Platform）と呼ばれる新しいロボット助手を紹介しています。開発チームは、骨髄生検の生の巨大なデジタル写真を見て、血液細胞がどれほど「混雑」しているかを自動的に正確に伝えることができるシステムを構築したいと考えました。AiSAPは、画像の小さな、あらかじめ選択された正方形を見るのではなく、スライド全体を見渡し、適切な部分を見つけ出し、計算を行います。彼らは、これまでのコンピュータプログラムではあまり使用されてこなかったインドの170人の実患者のデータを用いて、このAIを訓練しました。結果は有望です。AIの推定値は、人間の専門家とほぼ同等でした。実際、AIの数値と二人の医師の平均値を比較したところ、相関関係は0.95（完璧な1.0に近い数値）となりました。AIは細胞数を人間よりもわずかに高く見積もる傾向がありましたが、そのパターンは非常に一貫していたため、著者らは、AIが人間が素早い目視では見逃してしまうような小さな細胞を見つけている可能性があると示唆しています。
AiSAPの秘訣は、二人の専門特化した探偵のチームのように、二つのステップで機能することです。まず、Model-1がスライド全体をスキャンし、「興味深い」部分に枠を描きます。これにより、実際の骨髄組織を、骨や血栓、あるいはスライド作成中に生じたノイズなどの不要なアーティファクトから分離します。これは、探偵が「よし、岩や泥は無視して、人々が住んでいる近所に集中しよう」と言うようなものです。次に、Model-2がその近所にズームインし、特に「脂肪」細胞（アディポサイト：透明で空っぽの泡のように見えるもの）を執拗に探し出します。AIは、脂肪がどれだけのスペースを占めているか、そして残りの組織がどれだけのスペースを占めているかを知ると、単純な公式を用いて細胞密度の割合を算出します。
研究者たちは、AIの「脳」となる5種類の異なる「バックボン（基盤）」をテストし、どれが最もよく機能するかを調べました。彼らは、個々の物体を見つけるのが得意な脳もあれば、最終的なパーセンテージを正しく出すのが得意な脳もあることを発見しました。最高のパフォーマンスを示したのは、X101_FPNと呼ばれる特定のアーキテクチャを使用しており、リズの合致相関係数（Lin's Concordance Correlation Coefficient）で0.882を達成しました。これは、人間による専門家の判断との全体的な一致が非常に強力であることを意味します。もう一つの脳であるR50_C4は、症例の正確なランキングを一致させることに最も優れており、0.948の相関を示しました。
しかし、著者らはこれを「解決済み」の問題とは呼んでいません。彼らは、AIにはまださらなるテストが必要であると指摘しています。このAIは、インドのある特定の病院のスライドでのみ訓練・テストされました。もし別の病院でスライドの染色方法や切り出し方が変われば、AIは混乱する可能性があります。また、AIが砕けた骨や高密度の瘢痕組織を生きている細胞と間違えることがあることも認めており、それが細胞数をわずかに過大評価する原因となっています。それでもなお、この研究は、二段階のAIアプローチが大きな前進であることを示しています。これは、病理学者がより速く、より一貫して作業できるようなツールを構築できることを示唆しており、診断が「その日、誰がスライドを見ているか」に依存してしまう可能性を減らすことができます。著者らは、AiSAPはまだ医師に取って代わる準備ができているわけではないものの、世界中の多くの病院でテストされる価値のある、強力な新しいツールであると結論付けています。
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。