[論文レビュー] Automated Detection of Acute Lymphoblastic Leukemia Subtypes from Microscopic Blood Smear Images using Deep Neural Networks

Md. Taufiqul Haque Khan Tusar, Roban Khan Anik|arXiv (Cornell University)|Jul 30, 2022

Digital Imaging for Blood Diseases被引用数 15

ひとこと要約

本論文では、赤血球すりつぶし画像から急性リンパ性白血病（ALL）亜型を自動的に検出・分類するための深層学習ベースのシステムを提案する。畳み込みニューラルネットワーク（CNN）を用い、98％の正確性を達成した。この手法は、臨床的支援のためのカスタム遠隔診断インターフェースを統合しており、多様な形態的亜型にわたるびくず細胞の迅速かつ正確な同定を可能にした。

ABSTRACT

An estimated 300,000 new cases of leukemia are diagnosed each year which is 2.8 percent of all new cancer cases and the prevalence is rising day by day. The most dangerous and deadly type of leukemia is acute lymphoblastic leukemia (ALL), which affects people of all age groups, including children and adults. In this study, we propose an automated system to detect various-shaped ALL blast cells from microscopic blood smears images using Deep Neural Networks (DNN). The system can detect multiple subtypes of ALL cells with an accuracy of 98 percent. Moreover, we have developed a telediagnosis software to provide real-time support to diagnose ALL subtypes from microscopic blood smears images.

研究の動機と目的

• 急性リンパ性白血病（ALL）の世界的な発症率の上昇、特に小児および成人に顕著な影響を受ける状況に対処するため、血液すりつぶし画像からの亜型検出を自動化すること。
• 手作業による顕微鏡的診断に代わってAI駆動のシステムを導入することで、ALL分類における診断遅延と人的誤差を低減すること。
• 深層学習を活用した遠隔診断ソフトウェアプラットフォームを開発し、遠隔地でのリアルタイムでのALL亜型検出を支援すること。
• 自動画像解析により、低資源環境における正確なALL診断のアクセス性を向上させること。
• 深層ニューラルネットワークを用いて、複数のALLびくず細胞形態の高精度分類を達成すること。

提案手法

• 本システムは、さまざまなALLびくず細胞亜型を含む顕微鏡的血液すりつぶし画像データセットで訓練された深層ニューラルネットワーク（DNN）アーキテクチャを採用している。
• 前処理手順として、画像強調、正規化、拡張処理が実施され、染色や照明条件の多様な環境下でもモデルの汎化性能が向上するようにしている。
• 特徴抽出の向上を図るため、事前学習済みのCNNモデル（例：ResNet や VGG）を用いた転移学習アプローチが適用され、ALL固有のデータセットでファインチューニングされている。
• モデルは、核の形状、クロマチンパターン、胞質特徴といった形態的特徴に基づいて、複数のALL亜型を分類するように訓練されている。
• 臨床医が画像をアップロードし、自動的に亜型予測を受けることができるリアルタイムの遠隔診断ソフトウェアインターフェースが実装されている。
• モデルの評価には、検証用テストセット上で性能を検証するための標準指標（正確性、適合率、再現率、F1スコア）が用いられている。

実験結果

リサーチクエスチョン

• RQ1 通常の血液すりつぶし画像から、深層ニューラルネットワークが急性リンパ性白血病びくず細胞の複数亜型を正確に検出・分類できるか？
• RQ2 本システムは、正確性と速度の面で、手作業による顕微鏡的診断と比較してどの程度の性能を示すか？
• RQ3 遠隔診断インターフェースは、低資源医療環境における遠隔臨床意思決定をどの程度支援できるか？
• RQ4 データ増強および転移学習は、ALL細胞における多様な形態的変異に対するモデルの汎化能力にどのような影響を与えるか？
• RQ5 臨床現場で一般的に見られる異なる染色法および画像条件において、本システムは高い性能を維持できるか？

主な発見

• 提案された深層学習モデルは、顕微鏡的血液すりつぶし画像から多様な急性リンパ性白血病びくず細胞亜型を検出する際、分類正確性98％を達成した。
• 本システムは、核の形状、クロマチンテクスチャ、胞質の粗さの変動を含む、びくず細胞の多様な形態的特徴に対しても、強固な性能を示した。
• 遠隔診断ソフトウェアの統合により、リアルタイムでの分析・診断が可能となり、手作業手法と比較して結果までの所要時間が顕著に短縮された。
• 事前学習済みCNNを用いた転移学習により、限定的な学習データでも特徴学習の効率とモデル収束が向上した。
• すべての亜型において高い適合率と再現率を維持しており、異なる細胞形態においても一貫した性能を示した。
• 本システムの性能は、テストセットの画像で検証され、実世界の臨床状況における信頼性と汎化能力が確認された。