[論文レビュー] Adjusting for Confounding in Unsupervised Latent Representations of Images

Craig A. Glastonbury, Michael Ferlaino+2 more|arXiv (Cornell University)|Nov 15, 2018

Cell Image Analysis Techniques参考文献 10被引用数 4

ひとこと要約

本論文は、バッチ効果や染色ばらつきなどのノイズ因子を分離することで、バイオメディカル画像から教師なしで共変量不変の表現を学ぶための敵対的訓練手法を提案する。深く畳み込みニューラルネットワークを用いたオートエンコーダに敵対的ディスクライマーを組み合わせたモデルにより、生物学的情報を保持しつつ共変量に対して不変な潜在表現が得られ、λ=50の条件下で55.4%のMOA予測精度を達成した。これはランダムな予測よりも顕著に優れている。

ABSTRACT

Biological imaging data are often partially confounded or contain unwanted variability. Examples of such phenomena include variable lighting across microscopy image captures, stain intensity variation in histological slides, and batch effects for high throughput drug screening assays. Therefore, to develop "fair" models which generalise well to unseen examples, it is crucial to learn data representations that are insensitive to nuisance factors of variation. In this paper, we present a strategy based on adversarial training, capable of learning unsupervised representations invariant to confounders. As an empirical validation of our method, we use deep convolutional autoencoders to learn unbiased cellular representations from microscopy imaging.

研究の動機と目的

• バイオメディカル画像データにおけるノイズ因子（バッチ効果、染色ばらつきなど）に対して不変な教師なし表現学習手法を開発すること。
• 高スループットスクリーニングやヒストロロジー分野において、画像データの共変量要因による一般化性能の低下を是正すること。
• 高価な人為的アノテーションを必要とせず、公平でバイアスのない表現学習を可能とすることで、新しい細胞フェノタイプの発見を支援すること。
• 教師あり表現学習における敵対的デバイアス手法を、画像データの教師なし表現学習へと一般化すること。

提案手法

• 深く畳み込みニューラルネットワークを用いたオートエンコーダ（CAE）を、学習された潜在コードから入力画像を再構築するように訓練し、意味のある生物学的特徴を捉える。
• 敵対的ディスクライマーを、潜在コードから共変量（例：バッチや染色強度）を予測するように訓練し、CAEが共変量不変の表現を生成するよう促進する。
• 共同訓練の目的関数は、CAE再構築損失と敵対的損失をハイパーパrameter λ でバランスさせたものであり、CAE損失を最小化すると同時に敵対的損失を最大化する。
• 最適化はミニマックス問題として定式化され、CAEパラメータ θ を最小化し、ディスクライマー重み w を最大化することで、潜在コードが共変量についての情報を含まないことを保証する。
• 連続的共変量への一般化のため、分類器の代わりに敵対的回帰器を用いる。
• 本手法はBBBC021v1顕微鏡データセット上で検証され、バッチ効果の影響を著しく低減しながら、MOA予測に必要な生物学的信号を保持した。

実験結果

リサーチクエスチョン

• RQ1 教師ありアノテーションを必要とせず、教師なしで共変量不変の表現を学ぶために、敵対的訓練をバイオメディカル画像データに適応できるか？
• RQ2 バッチ効果や染色ばらつきといった共変量要因を、生物学的に関連する情報を保持しつつ、学習された画像表現からどれだけ除去できるか？
• RQ3 敵対的重みハイパーパrameter λ の異なる値において、共変量不変性と生物学的情報保持のトレードオフはどのように現れるか？
• RQ4 本手法は、ヒストロロジー画像データにおける虚血時間といった連続的共変量にも一般化可能か？
• RQ5 得られた表現は、薬剤作用メカニズム予測といった生物学的に意味のあるタスクの下流分類性能を向上させるか？

主な発見

• λ=50の条件下で、分子作用メカニズム（MOA）予測の正確度が55.435%に達し、これはランダムな予測よりも3.6倍優れている。生物学的関連情報の保持が裏付けられた。
• λ=50のとき、バッチ予測の正確度は35.870%に低下し、バッチ効果共変量に対する強い不変性を示している。これはλ=0のときの64.130%よりも顕著に低い。
• 潜在空間から共変量信号が著しく除去されたことが、λの増加に伴いバッチ予測正確度が急低下する様子から裏付けられており、同時に高いMOA予測性能を維持している。
• 連続的共変量への一般化が成功した：GTExヒストロロジーデータにおいて、虚血時間と教師なし表現との間に相関係数 r=0.18（p=4.9×10−150）が確認され、連続的共変量の存在が裏付けられた。
• 高λ値においてもMOA予測でランダムな予測を3倍以上上回った。これは、学習された表現が意味のある生物学的構造を保持していることを確認した。
• 本手法は、事前ラベル付けに依存しない教師なしの枠組みであるため、新しいフェノタイプの発見が可能である。