[論文レビュー] A Novel Deep Learning based Model for Erythrocytes Classification and Quantification in Sickle Cell Disease

Manish S. Bhatia, Balram Meena+6 more|arXiv (Cornell University)|May 2, 2023

Hemoglobinopathies and Related Disorders被引用数 4

ひとこと要約

本研究では、18層のカスタム深層畳み込みニューラルネットワーク（CNN）を提案し、サビーディア病（SCD）患者から得た428枚の生画像を用いて、赤血球の3つの形態（ディスク型、楕円型、スケール型）を分類・定量する。これにより、10,377枚の個別赤血球画像から成るデータセットが生成された。モデルは81%の正確性を達成し、ベースラインモデルを上回り、SHAPおよびLIMEを用いた解釈可能性の向上により、臨床的意思決定支援が可能になった。

ABSTRACT

The shape of erythrocytes or red blood cells is altered in several pathological conditions. Therefore, identifying and quantifying different erythrocyte shapes can help diagnose various diseases and assist in designing a treatment strategy. Machine Learning (ML) can be efficiently used to identify and quantify distorted erythrocyte morphologies. In this paper, we proposed a customized deep convolutional neural network (CNN) model to classify and quantify the distorted and normal morphology of erythrocytes from the images taken from the blood samples of patients suffering from Sickle cell disease ( SCD). We chose SCD as a model disease condition due to the presence of diverse erythrocyte morphologies in the blood samples of SCD patients. For the analysis, we used 428 raw microscopic images of SCD blood samples and generated the dataset consisting of 10, 377 single-cell images. We focused on three well-defined erythrocyte shapes, including discocytes, oval, and sickle. We used 18 layered deep CNN architecture to identify and quantify these shapes with 81% accuracy, outperforming other models. We also used SHAP and LIME for further interpretability. The proposed model can be helpful for the quick and accurate analysis of SCD blood samples by the clinicians and help them make the right decision for better management of SCD.

研究の動機と目的

• サビーディア病（SCD）の血液標本における異常な赤血球形態の自動分類および定量のための深層学習モデルを開発すること。
• 臨床的課題としての手作業による赤血球形態評価の時間的負担と観察者間ばらつきを解消すること。
• 臨床医がSCDの早期診断および治療計画に支援を受けるためのスケーラブルで解釈可能なAIシステムを構築すること。
• SCDにとどまらず、形態的変化を示す他の血液疾患への応用可能性を高めること。

提案手法

• 赤血球形態（ディスク型、楕円型、スケール型）の多クラス分類を目的とした、カスタム18層の深層畳み込みニューラルネットワーク（CNN）を設計した。
• 生画像の前処理とインスタンスセグメンテーションを実施し、個々の赤血球を分離することで、428枚の元画像から10,377枚の個別赤血球画像を生成した。
• 転移学習モデルも含む9種類の深層ニューラルネットワークアーキテクチャを評価し、比較的ベンチマークとして調整済みのLightGBMを用いた。
• 予測の解釈性を向上させるために、SHAPおよびLIMEを用いてモデルの予測を説明し、臨床的信頼性と透明性を高めた。
• 一般化性能の向上とクラス不均衡の緩和を目的として、データ拡張および正規化技術を適用した。
• モデルは、データセットの70-15-15の分割を用いて訓練および検証し、正確性、適合率、再現率、F1スコアといった評価指標を用いて評価した。

Figure 1: Annotated image sample of Sickle RBCs

実験結果

リサーチクエスチョン

• RQ1 カスタム深層CNNは、SCD患者の血液標本における3つの異なる赤血球形態（ディスク型、楕円型、スケール型）を効果的に分類・定量できるか？
• RQ2 提案された深層CNNモデルは、既存のベースラインモデルおよびLightGBMと比較して、赤血球形態分類においてどの程度の性能を示すか？
• RQ3 SHAPおよびLIMEは、臨床的利用性を高めるために、モデルの予測の解釈性をどの程度向上できるか？
• RQ4 本モデルは、SCDにとどまらず、他の血液疾患における形態的病変への一般化が可能か？

主な発見

• 提案された18層の深層CNNは、赤血球形態分類において81%の正確性を達成し、すべてのベースラインモデルおよび調整済みLightGBMを上回った。
• モデルは、すべての3つのクラス（ディスク型、楕円型、スケール型）において、優れた適合率、再現率、F1スコアを示し、多クラス分類性能の高さを裏付けた。
• SHAPおよびLIMEの分析から、モデルが細胞の形、曲率、膜の不規則性といった形態的特徴に注目していることが明らかになった。これは臨床的専門知識と整合的であった。
• 10,377枚の個別赤血球画像から成るデータセットは、今後の赤血球形態分類研究における貴重なアノテーション付きリソースを提供する。
• 428枚の生画像という限定的なデータセットでも高い性能を示したため、より大規模かつ多様なデータでスケーラビリティの可能性が示唆された。
• 本研究では、深層学習がSCDにおける手作業による赤血球形態評価の時間的負担と主観性を顕著に低減できることを示し、迅速な臨床的意思決定を支援することを可能にした。

Figure 2: The Proposed Framework