[論文レビュー] Classification of White Blood Cells Using Machine and Deep Learning Models: A Systematic Review

Rabia Asghar, Sanjay Kumar+2 more|arXiv (Cornell University)|Aug 11, 2023

Digital Imaging for Blood Diseases被引用数 4

ひとこと要約

本システマティックレビューでは、2006年から2023年までの136件の研究を分析し、血液塗料、レントゲン、MRIを含む医療画像を用いた白血球（WBC）分類のための機械学習およびディープラーニングについて検討した。本研究では、優れた性能を示すモデルを特定し、データ不足とモデルの解釈可能性が主な課題であると指摘した。また、分類精度と血液疾患診断の自動化を向上させるために、Faster R-CNN や GAN などの高度なディープラーニングアーキテクチャの利用が増加すると予測している。

ABSTRACT

Machine learning (ML) and deep learning (DL) models have been employed to significantly improve analyses of medical imagery, with these approaches used to enhance the accuracy of prediction and classification. Model predictions and classifications assist diagnoses of various cancers and tumors. This review presents an in-depth analysis of modern techniques applied within the domain of medical image analysis for white blood cell classification. The methodologies that use blood smear images, magnetic resonance imaging (MRI), X-rays, and similar medical imaging domains are identified and discussed, with a detailed analysis of ML/DL techniques applied to the classification of white blood cells (WBCs) representing the primary focus of the review. The data utilized in this research has been extracted from a collection of 136 primary papers that were published between the years 2006 and 2023. The most widely used techniques and best-performing white blood cell classification methods are identified. While the use of ML and DL for white blood cell classification has concurrently increased and improved in recent year, significant challenges remain - 1) Availability of appropriate datasets remain the primary challenge, and may be resolved using data augmentation techniques. 2) Medical training of researchers is recommended to improve current understanding of white blood cell structure and subsequent selection of appropriate classification models. 3) Advanced DL networks including Generative Adversarial Networks, R-CNN, Fast R-CNN, and faster R-CNN will likely be increasingly employed to supplement or replace current techniques.

研究の動機と目的

• 医療画像を用いた白血球分類のための機械学習およびディープラーニングモデルの最新状況を評価すること。
• 多様な画像モodalities において、WBC分類に用いられた最も効果的な技術およびアーキテクチャを特定すること。
• データセットの可用性が限られていることや、医療画像解析における分野特化型の専門知識が求められるという、継続的な課題を分析すること。
• R-CNN、Faster R-CNN、GAN などの高度なディープラーニングモデルが、分類性能の向上に果たす可能性を検討すること。
• 最良の実践法、モデル性能、データ拡張戦略に関する証拠を統合することで、今後の研究を支援すること。

提案手法

• 2006年から2023年までの間に発表された136件の一次研究論文を対象としたシステマティックレビューを実施した。
• 血液塗料画像、レントゲン、MRI、その他の医療画像ソースを用いたWBC分類を対象とした研究に焦点を当てた。
• アーキテクチャ、性能指標、データセットの特性に基づいて、機械学習およびディープラーニングモデルを分類・分析した。
• データセットの可用性が限られている問題への対策として、データ拡張技術の有効性を評価した。
• 医療分野の専門知識が、モデル選択および解釈において果たす役割を検討した。
• モデルの進化傾向を同定した。具体的には、2段階検出器（例：Faster R-CNN）や生成モデル（例：GAN）の採用が増加していることが明らかになった。

実験結果

リサーチクエスチョン

• RQ1 医療画像からの白血球分類において、どの機械学習およびディープラーニングモデルが最も高い正確性を示したか？
• RQ2 WBC分類研究で一般的に用いられている画像モダリティは何か？ また、それらはモデル性能にどのように影響を与えるか？
• RQ3 臨床現場での広範な採用および分類精度の向上を妨げる主な課題は何か？
• RQ4 データ拡張技術は、小規模または不均衡なデータセットが与える影響を軽減するために、どの程度効果的か？
• RQ5 Faster R-CNN や GAN などの高度なディープラーニングアーキテクチャは、WBC分類の向上にどのように寄与しているのか？ 今後の統合における可能性は？

主な発見

• 最も効果的なWBC分類モデルは、特に畳み込みニューラルネットワーク（CNN）に基づくディープラーニングモデルであり、ベンチマークデータセットでは上位のモデルが95％を超える分類正確性を達成している。
• データ不足が主な障壁であり、多くの研究が小規模で代表的でないデータセットに依存しているため、一般化性能を向上させるためにデータ拡張が用いられている。
• Faster R-CNN や R-CNN などの高度なアーキテクチャは、まれなタイプや形態的に複雑なWBCの検出・分類を改善する可能性を示している。
• 生成対抗ネットワーク（GAN）は、限られた実世界のWBC画像コレクションを補完するための合成データ生成の有効な解決策として登場しつつある。
• 機械学習研究者の中には医療分野の専門知識が不足しているケースが多く、これがモデル設計や解釈に影響を与えている。これにより、分野横断的連携の必要性が浮き彫りになった。
• 白血球の形態に関する分野特化型の知識を統合することで、特にリンパ球、単球、好中球などのサブタイプを区別する際のモデル選択と性能が顕著に向上する。