Automated Classification and Quantification of Fungal Spores in Aerobiological Sampling Using Deep Learning

問題提起

真菌胞子の日常的なエアロバイオロジー（空中生物学）モニタリングは、特に喘息やアレルギー性鼻炎といった呼吸器疾患との関連性を考慮すると、環境監視および公衆衛生において極めて重要である。しかし、現在の評価手法は手作業による顕微鏡カウントに依存しており、このプロセスは時間がかかる上に、観察者によるばらつきが生じやすく、データの利用が遅れるという課題がある。これまでの自動化の試みは、古典的なコンピュータビジョンを利用したものや、単一の属（例：Alternaria）の検出に焦点を当てたものが多かったが、これらのアプローチは粒子の重なりに苦慮したり、手動での特徴量エンジニアリングを必要としたりすることが多く、実際の大気サンプルに見られる高い分類学的多様性を扱うための堅牢性に欠けている。したがって、多様な真菌分類群にわたって検出と定量化を自動化できる、スケーラブルなマルチジェネラ（多属）ディープラーニング・フレームワークが明確に求められている。

手法

本研究では、コロンビアのサンタ・マルタにおけるHirst型容積サンプリングによる顕微鏡画像を用い、8つの真菌属（Cladosporium, Coprinus, Curvularia, Didymella, Ganoderma, Leptosphaeria, Nigrospora, Xylaria）の自動検出およびカウントのためのディープラーニングベースのワークフローを開発し、検証した。

1. データセットの構築と前処理:

• ソース: 325枚のオリジナル画像（400倍拡大）を、1,281個のクアドラント（1296 × 972ピクセル）に分割した。
• アノテーション: Roboflowを使用して行い、8つのクラスにわたる2,252個の胞子インスタンスに対してバウンディングボックスを割り当てた。
• 不均衡の緩和: 元のデータセットにはクラス不均衡（例：Coprinusが20.1%に対し、Nigrosporaが9.1%）が見られた。これに対処するため、著者らは以下を実装した：
  • 層化分割（Stratified Splitting）: 最も優勢な胞子のタイプに基づいて、画像を70%のトレーニング用、20%の検証用、10%のテスト用に再分割した。
  • オフライン拡張（Offline Augmentation）: Albumentationsライブラリを用い、幾何学的、光学的、および劣化変換（degradation transformations）を用いて、過小評価されているクラスに対して合成サンプルを生成し、各クラスあたり約320インスタンスを目標とした。
  • オンライン拡張（Online Augmentation）: トレーニング中には、オブジェクト密度を高めるためのMosaic、および正則化のためのMixupを適用した。
• 最終データセット: トレーニングセットは1,574枚の画像（2,963インスタンス）に拡張されたが、検証およびテストセットは、偏りのない評価を確実にするため、拡張されていない元の画像で構成されたままとした。

2. モデルアーキテクチャ:
3つの検出戦略を比較した：

• YOLO26: Medium（YOLO26m）およびLarge（YOLO26l）のバリアントで評価。形態学的詳細を保持するため、入力解像度は1280 × 1280ピクセルとした。
• ViT-B/16 + Faster R-CNN: 特徴抽出にVision Transformer（最初の6層を凍結）を用い、領域提案と分類のためにFaster R-CNNを組み合わせたハイブリッド・アプローチ。
• AlexNet + Faster R-CNN: バッチ正規化を備えた修正AlexNetをFaster R-CNNと結合し、640 × 640ピクセルの入力解像度を使用した。

3. トレーニングと評価:
モデルは特定のハイパーパラメータ（例：YOLOバリアントはMuSGDを使用、ViT/AlexNetはAdamW/SGDを使用）を用いてトレーニングされた。性能は、適合率（Precision）、再現率（Recall）、F1スコア、および平均適合率（mAP@0.5およびmAP@0.5:0.95）を用いて評価された。本研究の適用コンテキストを考慮し、厳密な位置特定指標よりも、再現率と適合率が優先された。

主な結果

1. モデル性能の比較:

• YOLO26lが優れたモデルとして浮上し、テストセットにおいて最高の再現率（0.812）、適合率（0.823）、mAP@0.5（0.846）、およびF1スコア（0.817）を達成した。
• YOLO26mは、わずかに低い指標とともに僅差でこれに続いた。
• ViT-B/16 + Faster R-CNNは中間的な性能を示したが、適合率の大幅な低下（0.502）に悩まされた。
• AlexNet + Faster R-CNNは、すべての指標において最低の性能（再現率 0.548、適合率 0.377）を示した。
• 属別の性能: YOLO26lは、Curvularia, Didymella, Ganoderma, Nigrospora, Xylariaに対して堅牢性を示した。Cladosporiumは依然として最も困難なクラスであり、最低の再現率（テスト時 0.429）と最も高い偽陰性率（インスタンスの54%を見逃した）を示した。

2. 運用検証（自動 vs 手動）:

• 未知の画像516枚からなる外部セットを解析した。YOLO26lは適合率0.803、再現率0.659を維持した。
• 相関関係: 自動カウントと手動カウントの間には、すべての属において正の有意な相関が見られた（Spearmanのρ = 0.387–0.852; p < 0.001）。相関はCurvulariaで最も強く（0.852）、Cladosporiumで最も弱かった（0.387）。
• 効率性: 自動システムは516枚の画像を1分39秒（1枚あたり0.19秒）で処理したが、これは手動カウント（1枚あたり19.5秒、計2.8時間）と比較して、102倍の高速化を実現している。

3. エラー分析:
主なエラー源は、属間の誤分類ではなく、偽陰性（検出漏れ）であった。モデルは、一度胞子が検出されれば、概ね正しい属を割り当てることができた。Cladosporiumの検出が困難であった理由は、その高い形態学的多様性と背景構造との視覚的な類似性に起因する。

主要な貢献

• マルチジェネラ・フレームワーク: 本研究は、単一の属の検出を超え、エアロバイオロジー・サンプリングに固有の分類学的多様性に対処しながら、8つの異なる真菌属を同時に識別できるシステムの妥当性を検証した。
• データセットのキュレーション: 顕微鏡視野における低いオブジェクト密度やクラス不均衡に対処するための戦略を含む、真菌胞子のための特殊なデータセットの構築と拡張。
• アーキテクチャのベンチマーク: 単一ステージ検出器（YOLO26）が、計算効率と検出精度のバランスにおいて、ハイブリッドおよび領域提案ベースのモデル（Faster R-CNNバリアント）よりも、この特定のタスクにおいて優れていることを示す比較分析。
• 運用のスケーラビリティ: 解析時間を2桁削減するワークフローの実証により、リアルタイムまたはニアリアルタイムのバイオエアロゾル監視の可能性を促進する。

意義と主張

著者らは、本研究がエアロバイオロジー・モニタリングをスケールアップするための参照フレームワークを提供するものであると主張している。顕微鏡カウントという最も労力を要する段階を自動化することで、本システムは現在のモニタリングプログラムの地理的および時間的なカバー範囲を制限しているボトルネックに対処している。

論文では、性能は属によって異なるものの、システムは手動カウントで観察される一般的な存在量パターンを正常に再現できると控えめに述べている。著者らは、ディープラーニングを単なる分類ツールとしてではなく、環境監視および公衆衛生リスク評価のための運用的な計測器として位置づけている。また、Cladosporiumのような困難なクラスについてはさらなる改善が必要であることを認めつつも、提案されたアプローチは、定型的でタイムリーかつ再現可能な真菌胞子モニタリングの能力を大幅に強化すると結論付けている。