[論文レビュー] Analysis of Vision-based Abnormal Red Blood Cell Classification

Annika Wong, Nantheera Anantrasirichai+4 more|arXiv (Cornell University)|Jun 1, 2021

Digital Imaging for Blood Diseases参考文献 18被引用数 10

ひとこと要約

本稿では、SVM、TabNet、U-Netモデルを用いて、データセットのクラス不均衡を解消するためのSMOTEとコストセンシティブ学習を組み合わせることで、異常赤血球（RBC）を自動的に分類する機械学習ベースのシステムを提案する。SVMおよびTabNetモデルは、それぞれ94.8%および94.2%のf2スコアを達成し、希少な異常RBCタイプの高い感度を示した。

ABSTRACT

Identification of abnormalities in red blood cells (RBC) is key to diagnosing a range of medical conditions from anaemia to liver disease. Currently this is done manually, a time-consuming and subjective process. This paper presents an automated process utilising the advantages of machine learning to increase capacity and standardisation of cell abnormality detection, and its performance is analysed. Three different machine learning technologies were used: a Support Vector Machine (SVM), a classical machine learning technology; TabNet, a deep learning architecture for tabular data; U-Net, a semantic segmentation network designed for medical image segmentation. A critical issue was the highly imbalanced nature of the dataset which impacts the efficacy of machine learning. To address this, synthesising minority class samples in feature space was investigated via Synthetic Minority Over-sampling Technique (SMOTE) and cost-sensitive learning. A combination of these two methods is investigated to improve the overall performance. These strategies were found to increase sensitivity to minority classes. The impact of unknown cells on semantic segmentation is demonstrated, with some evidence of the model applying learning of labelled cells to these anonymous cells. These findings indicate both classical models and new deep learning networks as promising methods in automating RBC abnormality detection.

研究の動機と目的

• 血液学的診断における人的作業と主観性を低減するため、異常RBCの自動検出を実現すること。
• 少数派の異常RBCタイプが不足しているため、分類において顕著なクラス不均衡が生じる問題に対処すること。
• 古典的機械学習（SVM）、ディープラーニング（TabNet）、および意味セグメンテーション（U-Net）の性能を、多様なRBC異常分類において評価すること。
• SMOTEとコストセンシティブ学習の組み合わせが、希少な細胞クラスの感度を向上させる有効性を調査すること。

提案手法

• 本研究では、赤血球分類に用いる3つの機械学習モデル（サポートベクターマシン（SVM）、表形式データ向けディープラーニングモデルであるTabNet、意味セグメンテーションネットワークであるU-Net）を採用した。
• 少数クラスのサンプルを増加させ、クラス不均衡を緩和するために、合成少数過剰サンプリング技術（SMOTE）を用いた特徴空間におけるデータ拡張が実施された。
• モデル学習中に少数クラスの誤分類に対してより高いペナルティを与えるために、コストセンシティブ学習が統合された。
• モデルは、多様な形態、色、画像品質を有する11種類のRBCタイプを含む多様なデータセット上で訓練および評価された。
• 感度、特異度、適合率とともに、希少クラスのバランスを考慮したf2スコアを用いて性能を測定した。
• クラス不均衡に起因する指標の最適化を図るため、SMOTEとコストセンシティブ学習のハイブリッド戦略が評価された。

実験結果

リサーチクエスチョン

• RQ1 顕微鏡画像における顕著な形態的・色的変動が見られる中で、機械学習モデルが多様な異常RBCタイプを効果的に分類できるか？
• RQ2 SMOTEとコストセンシティブ学習を組み合わせることで、個別に用いた場合と比較して、顕著なクラス不均衡を示すRBCデータセットにおけるモデル性能がどのように向上するか？
• RQ3 古典的機械学習（SVM）、表形式向けディープラーニング（TabNet）、医療画像セグメンテーション（U-Net）は、異常RBC分類においてどのように比較されるか？
• RQ4 定義された異常クラスのセットで学習したモデルが、未知またはラベルなしのRBCタイプにどの程度一般化できるか？
• RQ5 異なるモデルにおいて、希少な異常細胞の感度と適合率のトレードオフは、どのように変化するか？

主な発見

• SMOTEとコストセンシティブ学習を併用したSVMモデルは、異常RBCの感度が96.9%に達し、f2スコアは94.8%を記録した。これは希少クラスにおいて優れた性能を示している。
• TabNetは、異常細胞検出において感度96.5%、f2スコア94.2%を達成し、本タスクにおいてU-Netモデルを上回った。
• U-Netモデルは、異常細胞検出において適合率92.0%、f2スコア84.9%を達成し、高い適合率を示したが、SVMおよびTabNetと比較して感度は低かった。
• 11クラスのRBCタイプ分類において、SVMおよびTabNetモデルの平均f2スコアはそれぞれ78.2%および73.0%であった。これは多様な細胞タイプにおいて中程度の性能を示している。
• SMOTEとコストセンシティブ学習の組み合わせは、少数クラスの感度を顕著に向上させた。特に、SMOTE3+CSL(2:3)を用いて学習したSVMモデルで最高の結果が得られた。
• U-Netモデルは、学習済み特徴を未知またはラベルなしの細胞に適用することで一般化能力を示し、ゼロショットまたは少数ショットの適応に潜在的な応用が可能であると考えられる。