[論文レビュー] WBCAtt: A White Blood Cell Dataset Annotated with Detailed Morphological Attributes

Satoshi Tsutsui, Winnie Pang+1 more|arXiv (Cornell University)|Jun 23, 2023

Digital Imaging for Blood Diseases被引用数 4

ひとこと要約

本論文は、病理医のコンサルテーションと医学文献を基に、核の形、胞質の質感、顆粒の種別、染色体密度など11の詳細な形態的特徴を備えた、10,298枚の白血球画像から構成されるWBCAttという、初めての公開可能なデータセットを紹介する。このデータセットは、説明可能なAIを血液疾患診断分野に応用する基盤を提供し、ViT-Baseを用いた顆粒色「赤」の予測で99.96％のF1スコアを達成するなど、高い精度の属性予測を可能にし、白血球分類モデルにおける解釈可能性を向上させる。

ABSTRACT

The examination of blood samples at a microscopic level plays a fundamental role in clinical diagnostics, influencing a wide range of medical conditions. For instance, an in-depth study of White Blood Cells (WBCs), a crucial component of our blood, is essential for diagnosing blood-related diseases such as leukemia and anemia. While multiple datasets containing WBC images have been proposed, they mostly focus on cell categorization, often lacking the necessary morphological details to explain such categorizations, despite the importance of explainable artificial intelligence (XAI) in medical domains. This paper seeks to address this limitation by introducing comprehensive annotations for WBC images. Through collaboration with pathologists, a thorough literature review, and manual inspection of microscopic images, we have identified 11 morphological attributes associated with the cell and its components (nucleus, cytoplasm, and granules). We then annotated ten thousand WBC images with these attributes. Moreover, we conduct experiments to predict these attributes from images, providing insights beyond basic WBC classification. As the first public dataset to offer such extensive annotations, we also illustrate specific applications that can benefit from our attribute annotations. Overall, our dataset paves the way for interpreting WBC recognition models, further advancing XAI in the fields of pathology and hematology.

研究の動機と目的

• 白血球画像解析における説明可能なAIの不足を解消するため、基本的な細胞タイプ分類を超えた形態的特徴のアノテーションを提供すること。
• 臨床的診断とAIの間のギャップを埋めるために、血液疾患診断に不可欠な病理医が検証済みの形態的特徴を統合すること。
• 大規模で詳細かつ公開可能なデータセットを構築することで、血液学分野における解釈可能な機械学習モデルの開発を可能にすること。
• 空胞、染色体密度、顆粒の形態など、属性の真のラベルを提供することで、説明可能なAI（XAI）分野の研究を促進すること。
• 標準化され、包括的なデータセットを提供することで、疾患診断やモデルの解釈性向上といった下流の応用を支援すること。

提案手法

• 病理医との協働、体系的な文献レビュー、および白血球画像の手動検査を通じて、11の形態的特徴を同定した。
• PBCデータセットから抽出した10,298枚の白血球画像を、全11属性でアノテーション処理し、合計113,000ラベル（11属性 × 約10.3k枚の画像）を取得した。
• 臨床的意義および医学的文献に基づき、全体的細胞、核、胞質、顆粒の4つのカテゴリに分類して整理した。
• 5分割交差検証を用いて、複数の深層学習モデル（VGG16、ResNet50、ViT-Base、ConvNeXt-Tiny）を用いて属性予測の訓練と評価を実施した。
• 標準的な画像分類アーキテクチャを用い、マルチクラス・マルチラベル属性認識に適応させ、交差エントロピー損失関数を適用した。
• 各属性およびモデルごとに、適合率、再現率、F1スコアを用いて性能を評価し、結果を属性ごとに報告した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、顕微鏡画像から白血球の詳細な形態的特徴を高い精度で予測できるか？
• RQ2 視覚的特徴が複雑な顆粒色や染色体密度といった白血球形態的特徴を予測するにあたり、異なるビジョントランスフォーマーとCNNアーキテクチャの性能はどのように比較されるか？
• RQ3 視覚的複雑さや臨床的レアリティが異なる属性において、モデルの性能指標はどの程度変動するか？
• RQ4 提案されたデータセットは、属性レベルの分析によるモデル解釈を可能にすることで、血液学分野における説明可能なAIシステムの開発を支援できるか？
• RQ5 データ品質およびアノテーションの一貫性は、医療画像解析における属性予測の信頼性にどのような影響を及えるか？

主な発見

• WBCAttデータセットは、10,298枚の画像にわたる113,000ラベルを含む、白血球に対して高密度で多様な属性アノテーションを提供する、初めての公開可能なリソースである。
• ViT-Baseは、顆粒色属性「赤」に対して99.96％のF1スコアを達成し、この明確に定義された特徴に対してほぼ完璧な予測能力を示した。
• 複数の亜タイプ（例：分葉状・二葉状、非分葉状・へこみあり）を有する「核の形」属性に対しては、ViT-BaseがF1スコア78.78％を記録し、複雑な形態的差異の識別において中程度の性能を示した。
• CNXT-Tinyモデルは、「顆粒色：なし」に対してF1スコア99.57％を達成し、欠損を示す属性において優れた性能を示した。
• 「染色体密度：緩い」属性は、全モデルで最低のF1スコア74.06％を示し、微細な染色体パターンの認識が現在のモデルにとって依然として課題であることを示唆した。
• 「顆粒タイプ：丸形」に対して99.86％のF1スコアを達成するなど、ほとんどの属性に対して高精度な予測が可能であることが示され、強固で解釈可能な白血球認識システムの学習に本データセットが有効であることが明らかになった。