[論文レビュー] Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data

Andrei Dmitrenko, Mauro M. Masiero+1 more|arXiv (Cornell University)|Mar 7, 2022

Computational Drug Discovery Methods被引用数 7

ひとこと要約

本稿では、100万枚のがん細胞画像を用いて自己教師あり畳み込みオートエンコーダ（ConvAE）を学習させ、時間的および形態的薬物効果を分析するための分離可能な表現を学習する手法を提案する。距離ベースのクラスタリングと敵対的／正則化学習を用いることで、薬物分類の正確性が8%向上し、解釈可能な特徴重要度マップを生成可能となり、薬物応答の形態的要因の同定が可能となる。

ABSTRACT

In this work, we propose two novel methodologies to study temporal and morphological phenotypic effects caused by different experimental conditions using imaging data. As a proof of concept, we apply them to analyze drug effects in 2D cancer cell cultures. We train a convolutional autoencoder on 1M images dataset with random augmentations and multi-crops to use as feature extractor. We systematically compare it to the pretrained state-of-the-art models. We further use the feature extractor in two ways. First, we apply distance-based analysis and dynamic time warping to cluster temporal patterns of 31 drugs. We identify clusters allowing annotation of drugs as having cytotoxic, cytostatic, mixed or no effect. Second, we implement an adversarial/regularized learning setup to improve classification of 31 drugs and visualize image regions that contribute to the improvement. We increase top-3 classification accuracy by 8% on average and mine examples of morphological feature importance maps. We provide the feature extractor and the weights to foster transfer learning applications in biology. We also discuss utility of other pretrained models and applicability of our methods to other types of biomedical data.

研究の動機と目的

• がん細胞画像における時間的および形態的表現応答を分析するための自己教師あり表現学習フレームワークの開発。
• 学習された画像特徴と解釈可能なAI技術を用いたがん治療薬の解釈可能な分類の実現。
• 下流のバイオメディカル画像解析アプリケーション向けに転送可能な事前学習モデルの提供。
• 大規模な薬物応答データセット上で、自己教師ありモデルの性能を最先端の事前学習モデルと比較すること。

提案手法

• 100万枚の位相差画像（21種類のがん細胞線で、31種類の薬物を5濃度で処理）を用い、ランダムな増幅とマルチクロップ学習を適用して、軽量な畳み込みオートエンコーダ（ConvAE）を学習。
• 学習済みConvAEを特徴抽出器として用い、下流の分析のための画像表現を計算。
• 時間的薬物応答パターン（例：細胞傷害性、細胞周期停止、混合、効果なし）の同定のため、距離ベースのクラスタリングと動的時間ワープング（DTW）を適用。
• 敵対的／正則化学習の設定（lensモデル）を実装し、多クラス薬物分類の性能を向上。特徴重要度マップは、再構成画像とlensed画像の差分から導出。
• トップ3分類正確性を用いてモデル性能を評価し、分類意思決定を駆動する形態的特徴を可視化。
• GitHubを通じて事前学習モデルと推論APIを公開し、生物学的画像処理における転移学習を支援。

実験結果

リサーチクエスチョン

• RQ1 大規模でラベルなしのがん細胞画像データから自己教師あり表現学習が、生物学的に意味のある時間的および形態的薬物応答パターンを捉えられるか？
• RQ2 自己教師ありConvAEの性能は、最先端の事前学習モデル（例：SwAVで事前学習したResNet-50、DINOで事前学習したViT）と比較して、薬物効果分類においてどのように異なるか？
• RQ3 敵対的／正則化学習は、学習された特徴を用いて多クラス薬物分類の正確性を向上させられるか？また、その向上をもたらした形態的特徴は何か？
• RQ4 学習済み表現の距離ベース分析は、時間経過に伴う異なる薬物応答表現型をどの程度正確に区別できるか？

主な発見

• 敵対的／正則化学習を用いることで、標準的な微調整と比較して、31種類の薬物についてトップ3分類正確性が平均で8%向上した。
• 学習済み表現の距離ベースクラスタリングにより、細胞傷害性、細胞周期停止、混合効果などの明確な時間的応答パターンが同定され、時系列画像の可視的検証で裏付けられた。
• lensed再構成プロセスから生成された特徴重要度マップは、細胞サイズ、粗さ、膜の不規則性といった特定の形態的特徴が、正しい薬物分類に寄与していることを強調した。
• 本手法は、高密度なコンフルエンスや形態的類似性のため、当初誤分類された薬物（例：Topotecan、BPTES）を正しく再分類できた。
• SwAVで事前学習したResNet-50は、ConvAEと同等の時間的応答パターンを再現したため、性能損失を最小限に抑えつつ低コストな代替手段として利用可能であることが示唆された。
• 100万枚の画像に対して、ConvAEの推論は1台のRTX 2060でわずか40分で完了したのに対し、ResNet-50は32時間、ViT-B/8は200時間かかった。これは、計算効率の優位性を示している。