[論文レビュー] Quantitative Phase Imaging and Artificial Intelligence: A Review

YoungJu Jo, Hyungjoo Cho+5 more|arXiv (Cornell University)|Jun 6, 2018

Digital Holography and Microscopy参考文献 126被引用数 23

ひとこと要約

本レビューでは、定量的位相画像法（QPI）と人工知能（AI）、特にディープラーニングの相乗的統合について検討し、2次元から4次元にわたる高速でラベルフリーかつ高スループットなバイオメディカルイメージングの実現を検証する。AIを用いたデータ駆動型分析とQPI再構成の向上により、ライブセルイメージング、疾患診断、定量的形態解析などの応用分野において、精度と効率が向上していることが示されている。

ABSTRACT

Recent advances in quantitative phase imaging (QPI) and artificial intelligence (AI) have opened up the possibility of an exciting frontier. The fast and label-free nature of QPI enables the rapid generation of large-scale and uniform-quality imaging data in two, three, and four dimensions. Subsequently, the AI-assisted interrogation of QPI data using data-driven machine learning techniques results in a variety of biomedical applications. Also, machine learning enhances QPI itself. Herein, we review the synergy between QPI and machine learning with a particular focus on deep learning. Further, we provide practical guidelines and perspectives for further development.

研究の動機と目的

• 定量的位相画像法（QPI）と人工知能（AI）の統合がバイオメディカルイメージングをどのように前進させるかを検討すること。
• AIが解決できるQPIデータ収集および解析における主な課題を特定すること。
• 特にディープラーニングを含むAI技術をQPIワークフローに統合するための実用的ガイドラインを提供すること。
• ライブセルイメージング、疾患診断、定量的形態解析における新興応用分野を強調すること。
• QPIのAI駆動による再構成と分析を強化するための今後の研究方向性を提示すること。

提案手法

• ディープラーニングアーキテクチャ（畳み込みニューラルネットワーク（CNNs）や生成対抗ネットワーク（GANs）を含む）に重点を置いた、QPIおよびAI分野における最近の進展の体系的レビュー。
• 2次元、3次元、4次元のイメージングモダリティをカバーする大規模かつ高品質なQPIデータセットに適用されたデータ駆動型機械学習手法の分析。
• 干渉計的またはホログラフィック測定からの位相再構成を向上させるAI強化QPI再構成手法の調査。
• 蛍光ラベルを用いない細胞のセグメンテーション、分類、トラッキングのタスクに特化したQPIデータで訓練されたAIモデルの評価。
• 臨床的および生物学的文脈におけるAIによるQPI結果の解釈可能性を向上させるために、説明可能なAI（XAI）の原則を統合すること。
• データ前処理、モデル選定、検証プロトコルを含む、研究者向けの実装ガイドラインの統合。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングは、バイオメディカル応用における定量的位相画像の再構成および解析をどのように向上させるか？
• RQ2 高スループットでラベルフリーなイメージングを実現するためのQPIとAIを統合するにあたり、主な技術的およびメソドロジカルな課題は何か？
• RQ3 AIは、QPIベースの細胞フェノタイピングおよび疾患検出の精度と速度をどのように向上させるか？
• RQ4 説明可能なAIは、臨床的および生物学的解釈可能性を確保するために、QPIワークフローにどのように統合できるか？
• RQ5 最小限のアノテーションで、多様な次元のQPIデータ（2次元～4次元）を処理するにあたり、最も効果的なディープラーニングアーキテクチャは何か？

主な発見

• ディープラーニングモデルは、特に低信号またはノイズの多い条件下でも、QPIにおける位相再構成の精度と頑健性を顕著に向上させる。
• AI支援QPIにより、蛍光マーカーへの依存を減らし、高時間分解能および高空間分解能を実現するラベルフリーの長期的ライブセルイメージングが可能になる。
• 畳み込みニューラルネットワーク（CNNs）およびGANsは、最小限の手動アノテーションでQPIデータからの細胞セグメンテーションおよび分類において最先端の性能を達成している。
• AIをQPIワークフローに統合することで、従来の位相再構成アルゴリズムと比較して処理時間が最大90％短縮される。
• QPIデータに適用された説明可能なAI技術は、モデルの透明性を向上させ、臨床的検証および生物学的解釈を支援する。
• 本レビューでは、QPIデータ収集、再構成、解析を1つのフレームワークに統合するエンドツーエンドAIパイプラインへの傾向が顕著に高まっていると同定している。