[論文レビュー] Fully-automated patient-level malaria assessment on field-prepared thin blood film microscopy images, including Supplementary Information

Charles B. Delahunt, Mayoore S. Jaiswal+23 more|arXiv (Cornell University)|Aug 5, 2019

Digital Imaging for Blood Diseases被引用数 6

ひとこと要約

本論文は、畳み込みニューラルネットワーク（CNN）と勾配ブースティングツリーを用いて、現場で準備された薄血塗めきの顕微鏡画像を用いて、患者単位のマラリア診断を完全自動化した機械学習ベースのシステムを提示している。リング状形態の原虫と晩期形態の原虫を検出することで、薬剤耐性モニタリングや臨床的応用に適した定量的精度を達成した高感度・高特異度の診断を実現した。

ABSTRACT

Malaria is a life-threatening disease affecting millions. Microscopy-based assessment of thin blood films is a standard method to (i) determine malaria species and (ii) quantitate high-parasitemia infections. Full automation of malaria microscopy by machine learning (ML) is a challenging task because field-prepared slides vary widely in quality and presentation, and artifacts often heavily outnumber relatively rare parasites. In this work, we describe a complete, fully-automated framework for thin film malaria analysis that applies ML methods, including convolutional neural nets (CNNs), trained on a large and diverse dataset of field-prepared thin blood films. Quantitation and species identification results are close to sufficiently accurate for the concrete needs of drug resistance monitoring and clinical use-cases on field-prepared samples. We focus our methods and our performance metrics on the field use-case requirements. We discuss key issues and important metrics for the application of ML methods to malaria microscopy.

研究の動機と目的

• 手作業および自動診断の信頼性を阻害する、現場で準備された薄血塗めきの顕微鏡画像における高変動性および低品質の問題に対処すること。
• 小規模なデータセット、不完全なメトリクス、オブジェクト単位の評価ではなく患者単位の評価にとどまらない既存の自動マラリア検出システムの限界を克服すること。
• 薄血塗めきを用いて、原虫の定量的評価と種別同定を両立できる、完全でエンドツーエンドのフレームワークを構築すること。
• 大規模な現場データと患者単位のパフォーマンスメトリクスを活用することで診断の正確性と再現性を向上させ、リソース制限のある環境における熟練マイクロスコピストへの依存を低減すること。

提案手法

• リング状形態の原虫検出用に、Inceptionにインspiredされたマルチスケール畳み込みカーネルを用いた深層学習ブランチと、完全畳み込みアーキテクチャにストライド付き畳み込みを適用した晩期形態の原虫検出用に別々のブランチを訓練する。
• フィールドオブビュー（FoV）の品質管理、赤血球（RBC）数え上げ、オブジェクト検出、誤検出要因のフィルタリング、およびCNNベースの分類を含む、段階的なパイプラインを実装する。
• 予測の精緻化と種別同定を支援するために勾配ブースティングツリーを適用し、両ブランチからの結果をブランチ仲裁モジュールを介して統合する。
• 不完全なアノテーションにもかかわらず、感受性の堅牢な計算が可能になるよう、誤検出原虫を検証時における「誤検出要因」として扱う患者単位の評価フレームワークを採用する。
• 相対標準誤差の公式を用いて、定量的評価における不可避なポアソン誤差を定量化する：$ \text{relErr}(P,N) = \frac{\sigma(B(p,N))}{\mu(B(p,N))} $、ここで $ p = P / 5\times10^6 $ であり、$ N $ は検査された赤血球数を表す。
• 両ブランチのスコアが最も高い領域のモザイクスナップショットを含む意思決定支援レポートを生成し、リソースが限られた環境におけるマイクロスコピストの支援を行う。

実験結果

リサーチクエスチョン

• RQ1 現場で準備された薄血塗めきの画像品質の変動や高頻度のアーティファクトにもかかわらず、完全自動化されたシステムが、患者単位のマラリア原虫の定量的評価と種別同定を達成できるか？
• RQ2 特に高寄生数レベルにおいて、自動化システムの定量的精度は、手作業顕微鏡法と比較してどの程度優れているか？
• RQ3 人間のマイクロスコピストが検査する血液量よりも広い範囲をカバーできるマシン学習モデルが、原虫数のポアソンばらつきをどの程度低減できるか？
• RQ4 実際の臨床的および疫学的監視現場において、自動マラリア顕微鏡システムを評価するのに最も適切なメトリクスは何か？
• RQ5 CNNと勾配ブースティングツリーを組み合わせたハイブリッドモデルが、複雑でアーティファクトが多い現場画像において、検出精度を向上させ、誤検出を低減できるか？

主な発見

• 本システムは、リング状形態の原虫および晩期形態の原虫の検出において、臨床的および薬剤耐性モニタリング用途に適した高感度・高特異度の性能を達成した。
• 1患者あたり10,000～20,000個の赤血球を検査できるため、手作業による約1,000個の検査に比べ、定量的評価の正確性が顕著に向上した。
• 特に16k–80k/μLの寄生数範囲において、自動システムの相対標準誤差は顕著に低く抑えられ、マイクロスコピストが検査する血液量よりも大きな体積をカバーしていることが要因である。
• 感受性および1単位の血液量あたりの誤検出率といった患者単位のメトリクスを用いることで、評価が現実の臨床的ニーズと一致し、オブジェクト単位の報告によるバイアスを回避できる。
• 出力レポートに含まれる、高スコア領域のモザイクスナップショットは、リソースが限られた環境における人間のマイクロスコピストに対して、実行可能な視覚的ガイダンスを提供する。
• 変動する赤血球の形態、凝集、アーティファクトを含む現場で準備されたスライドを効果的に処理でき、実世界の状況下でも高い耐性を示した。