[論文レビュー] Deep Convolutional Neural Networks for Microscopy-Based Point of Care Diagnostics

John A. Quinn, Rose Nakasi+4 more|arXiv (Cornell University)|Aug 9, 2016

Digital Imaging for Blood Diseases被引用数 92

ひとこと要約

本論文は、低資源地域におけるポイント・オブ・ケアの顕微鏡診断のため、スマートフォンと統合された深層畳み込みニューラルネットワーク（CNN）システムを提案している。この手法は、染色された塗抹標本画像からのマラリア、結核、腸内寄生虫の検出において高い正確性を達成した。従来のコンピュータビジョン手法とは異なり、生のピクセルデータから直接特徴表現を学習することで、3つの異なる診断タスクにおいて優れた感度と特異度を示した。

ABSTRACT

Point of care diagnostics using microscopy and computer vision methods have been applied to a number of practical problems, and are particularly relevant to low-income, high disease burden areas. However, this is subject to the limitations in sensitivity and specificity of the computer vision methods used. In general, deep learning has recently revolutionised the field of computer vision, in some cases surpassing human performance for other object recognition tasks. In this paper, we evaluate the performance of deep convolutional neural networks on three different microscopy tasks: diagnosis of malaria in thick blood smears, tuberculosis in sputum samples, and intestinal parasite eggs in stool samples. In all cases accuracy is very high and substantially better than an alternative approach more representative of traditional medical imaging techniques.

研究の動機と目的

• リソース制限のある地域における疾患検出を目的とした、スマートフォンと顕微鏡を組み合わせた低コストでポイント・オブ・ケアの診断システムの開発。
• 深層畳み込みニューラルネットワーク（CNN）が、マラリア、結核、腸内寄生虫の3つの顕微鏡ベース診断タスクにおいて、どの程度の性能を示すかの評価。
• 手作業で特徴を設計する従来のコンピュータビジョン手法に起因する制限を克服し、エンド・ツー・エンドの深層学習により精度を向上させる。
• 熟練した臨床検査技師が不足している地域において、自動的でスケーラブルかつアクセス可能な診断を可能にする。

提案手法

• 標準的なスマートフォンを既存の光学顕微鏡に接続するための3Dプリント式スマートフォン顕微鏡アダプタを設計した。
• スマートフォンのカメラを用いて、塗抹標本（血液、喀痰、便）の高倍率（1000倍）画像を撮影した。
• ラベル付き顕微鏡画像上で、事前学習済みの深層畳み込みニューラルネットワーク（特に、VGGや類似モデルを用いた転移学習アプローチ）を各診断タスクに合わせて微調整した。
• ネットワークはピクセルデータから階層的な特徴表現を直接学習し、手作業による特徴工学の代わりにした。
• ソフトマックス出力層を用いて画像分類を行い、病原体の有無を信頼性スコアとともに予測した。
• データ拡張と転移学習を適用することで、ラベル付きデータが限られている状況でも一般化性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、低資源地域におけるマラリア、結核、腸内寄生虫の顕微鏡画像において、高精度な診断を達成できるか？
• RQ2 エンド・ツー・エンドの深層学習の性能は、手作業で特徴を設計する従来のコンピュータビジョン手法と比べてどのように異なるか？
• RQ3 同じアーキテクチャを用いて、多様な生物学的標本および病原体タイプにわたって、どの程度一般化できるか？
• RQ4 低コストのアダプタを備えたスマートフォンベースのシステムは、熟練技師による顕微鏡診断と同等の信頼性ある自動診断を提供できるか？

主な発見

• 深層学習モデルは、濃厚塗抹標本におけるプラズモデュム寄生虫の検出において非常に高い正確性を示し、従来のコンピュータビジョン手法を著しく上回った。
• 喀痰標本における結核検出に関して、CNNは高い感度と特異度を示した。受診者操作特性曲線（AUC）と平均適合率（AP）の指標が、優れた性能を示した。
• 腸内寄生虫の検出において、系統的寄生虫の卵（アスcarス）を高い信頼性で同定できた。誤検出の主な原因は、タニアの卵など類似する形状の寄生虫の誤ラベル付けや類似形状によるものであった。
• 同じアーキテクチャを用いて3つの異なる診断タスクに一般化でき、標本タイプにかかわらず強力な移譲性と柔軟性を示した。
• 真陽性に対しては高い検出確率が得られ、真陰性に対しては低スコアが得られ、多くの場合で誤検出は最小限に抑えられた。
• 結果から、深層学習は臨床検査技師の診断の一貫性を高め、疲労を軽減するための信頼できる意思決定支援ツールとして機能しうることが示唆された。