[論文レビュー] DeadNet: Identifying Phototoxicity from Label-free Microscopy Images of Cells using Deep ConvNets

David Richmond, Anna Payne-Tobin Jost+3 more|arXiv (Cornell University)|Jan 22, 2017

Cell Image Analysis Techniques参考文献 11被引用数 10

ひとこと要約

本論文では、蛍光標識や事前の光傷害アッセイを必要とせず、単一の位相対照顕微鏡画像のみを用いてライブセルイメージングにおける光傷害を同定する深層畳み込みニューラルネットワーク（ConvNet）であるDeadNetを提案する。U2OS細胞をさまざまな光照射条件下で撮影したラベル付き位相対照画像で学習させたDeadNetは、光傷害の検出において94.5％の正確性を達成し、ラベルフリーで自動的かつ解釈可能なリアルタイムイメージングワークフローにおける細胞健全性評価手法としての有効性を示した。

ABSTRACT

Exposure to intense illumination light is an unavoidable consequence of fluorescence microscopy, and poses a risk to the health of the sample in every live-cell fluorescence microscopy experiment. Furthermore, the possible side-effects of phototoxicity on the scientific conclusions that are drawn from an imaging experiment are often unaccounted for. Previously, controlling for phototoxicity in imaging experiments required additional labels and experiments, limiting its widespread application. Here we provide a proof-of-principle demonstration that the phototoxic effects of an imaging experiment can be identified directly from a single phase-contrast image using deep convolutional neural networks (ConvNets). This lays the groundwork for an automated tool for assessing cell health in a wide range of imaging experiments. Interpretability of such a method is crucial for its adoption. We take steps towards interpreting the classification mechanism of the trained ConvNet by visualizing salient features of images that contribute to accurate classification.

研究の動機と目的

• ライブセル蛍光顕微鏡における光傷害を検出するラベルフリーで自動化された手法の開発。その際、位相対照画像のみを用いる。
• 蛍光プローブや実験後アッセイ、主観的視覚的検査に依存する現在の光傷害評価手法の限界を克服すること。
• イメージング実験中に細胞健全性をリアルタイムで、客観的かつ再現可能に評価できる仕組みを提供し、データの信頼性を向上させること。
• 深層ConvNetの意思決定プロセスを解釈可能にするために、その予測の信頼性と生物学的妥当性を保証すること。

提案手法

• U2OS細胞をさまざまな強度の蛍光照明にさらした状態での位相対照顕微鏡画像を用いて、深層畳み込みニューラルネットワーク（ConvNet）を学習した。
• 非侵襲的で追加の標識や光照射を要しない透過光（位相対照）画像を入力とした。
• 既知の光量を照射した細胞の実験的アノテーションを活用し、教師あり学習のための信号を構築した。
• 分類意思決定に影響を与える画像領域を特定するために、クラス活性化マッピング（CAM）と勾配ベースのサリエンシー可視化を適用した。
• 最適化ベースのクラスモデル可視化を用いて、健康な細胞と病変のある細胞クラスの内部表現を解釈した。
• 2つのデータセットでモデルの性能を評価した：高光傷害度（94.5％の正確性）と低光傷害度でより困難な状況（75.7％の正確性）のデータセット。

実験結果

リサーチクエスチョン

• RQ1 深層ConvNetは、蛍光標識や追加アッセイを一切用いずに、位相対照画像のみを用いてライブセルにおける光傷害を正確に分類できるか？
• RQ2 位相対照画像におけるどの形態的特徴が光傷害の予測に最も寄与しているか？また、モデルはそれらを意味的に解釈できるか？
• RQ3 ConvNetの内部表現は、細胞の丸まりや空胞化といった既知の光損傷の生物学的兆候とどのように対応しているか？
• RQ4 サリエンシー図やクラスモデル可視化といった解釈可能手法は、モデルの意思決定プロセスにおいて生物学的に関連する特徴をどの程度明らかにできるか？
• RQ5 解釈可能性と性能の間には相関があるか？また、両者を同時に向上させるようなアーキテクチャ設計は可能か？

主な発見

• DeadNetは、高光量光傷害度データセットにおいて94.5％の分類正確性を達成し、挑戦的で生物学的に重要なタスクにおいて優れた性能を示した。
• より困難な低光量光傷害度データセットでは75.7％の正確性を達成したが、これは微細な表型変化があるにもかかわらず、熟練した人間の評価水準と同等であった。
• サリエンシー図から、モデルが生物学的に関連する特徴（健康な画像では核小体、大きな空胞、有糸分裂細胞、収縮線維）や、病変のある画像では暗い細胞境界、丸まった形態に注目していることが明らかになった。
• クラスモデル可視化により、ノイズから自然な細胞様構造を生成でき、健康クラスのモデリングでは核小体に類似した特徴が出現し、病変クラスでは不規則なパターンが生成された。
• 解釈可能性は性能とは独立して変動し、一部の高精度モデルは明確な可視化を示した一方で、他のモデルは解釈が困難な結果を示した。これは、正確性と解釈可能性の間にはトレードオフや直交的関係がある可能性を示唆している。
• 本研究は、生物学的妥当性とモデルの透明性が科学的採用に不可欠である分野における、解釈可能性を駆動要因とするモデル設計の可能性を示した。