病理学における AI の画期的な進歩、写真を染色して「偽物を本物に見せる」

6 年前

見出し

おすすめリスト

Dao Wei

超神経質で

シーンの説明:機械学習手法を使用して、病理学における組織サンプル切片の顕微鏡画像に対して仮想染色を実行することで、従来の染色手法の欠点を回避します。救急隊員はより簡単に診断を行うことができます。

キーワード:CNN、画像処理、医療支援近い

医療診断の多くは画像観察に基づいています。画像処理に関しては、AI が提供できることがたくさんあります。

生検観察の病理検査では、サンプルの極薄切片を染色し、その画像を顕微鏡で観察して病理診断を行う必要があります。 AI の観点から見ると、この問題は画像に正確に色を付ける問題です。

最近のレポートでは、研究者らは機械学習手法を使用して、切片の仮想染色で非常に高い精度を達成しました。これは基本的に手動の染色プロセスを置き換えることができます。

従来の組織サンプル切片染色

組織サンプルの顕微鏡画像化は、さまざまな病気を診断するための基本的なツールであり、病理学および生物学において主力です。

具体的な操作は、検査と診断の目的を達成するために、体の組織の小片を取り出し、サンプルを処理および分析することです。

サンプルが取り出されると、厚さ数ミクロン（100万分の1メートル）の薄いスライスに切断されます。これらの組織の薄いスライスには、顕微鏡スケールでの患者の状態に関する情報が含まれています。

標準的な光学顕微鏡では、未処理の部分はほとんど区別できません。染色は、病理学における長年の開発を経て、多くの組織染色法を開発してきました。

しかし、組織標本の従来の染色は時間がかかり複雑であり、専門的な実験室インフラ、化学試薬、訓練を受けた技術者が必要です。

では、AIはどのように色付けを行うのでしょうか？

仮想画像染色では、機械学習手法を利用して、事前に染色したデータを使用したディープ畳み込みニューラルネットワーク (CNN) を使用してサンプルの個々の自家蛍光画像を色付けします。

手術中、まず染色されていない組織をスライスし、自家蛍光下で顕微鏡画像を撮影します。

次に、敵対的生成ネットワーク (GAN) でトレーニングされた CNN を使用すると、標識されていない組織の自己蛍光画像を試薬染色に似た画像にすばやく変換できます。

深層学習に基づくこの方法では、コンピューターを介してモデルをトレーニングし、最終的に色付きのパターンを出力するため、コストと時間を大幅に節約できます。

この研究はカリフォルニア大学ロサンゼルス校の研究チームによって完了し、その結果は雑誌『Nature Biomedical Engineering』に掲載された。

論文アドレス: https://www.nature.com/articles/s41551-019-0362-y

では、AI仮想染色の実際の効果はどのようなものなのでしょうか？

仮想染色の効果を判定するために、研究者らは「ブラインドレビュー」判定プロセスを使用した。

判定は学会認定の病理医が行い、試薬染色なのかAI仮想染色なのかを区別することなく、独立した判断を行うことができる。

最終的な結論は、染色品質の点で、AI 生成の仮想染色によって生成される医療診断には、以前の方法と比較して臨床的に有意な差がないことが示されています。

研究者らは、仮想染色後に従来の方法を使用していくつかのサンプルを染色したところ、得られたパターンから、実際の効果はほぼ同じでした。

最初の列はコントラストを高めた画像、2 列目は元の自己蛍光画像、3 列目は AI 仮想染色、4 列目は従来の方法であるマッソントリクローム染色です。肝臓と肺の切片サンプルが対象となった。

この新しい方法は、通常の唾液腺、甲状腺、腎臓、肝臓、肺の切片を含む、さまざまな染色やヒトの組織タイプでの使用が実証されました。

次のステップは大規模なランダム化臨床研究を実施し、AI染色画像診断の精度を検証することだという。

AI を使用した染色方法は、標準的な蛍光顕微鏡と簡単なコンピューターのみを必要とするため、リソースが限られた環境や条件において革新的な利点をもたらします。

研究のリーダーであるアイドガン・オズカン氏は、「この技術は臨床病理検査のワークフローを変える可能性がある。技術の関与により、染色プロセスは迅速かつ簡単になり、専門の技術者や高度な医療検査室は必要ない」と述べた。

この方法の拡張性について、同氏は「AIベースの仮想染色フレームワークは、腫瘍の端を迅速に評価するなど、手術室でも使用でき、手術を行う外科医に利便性や重要なガイダンスを提供することもできる」と付け加えた。

さらに、この研究のもう 1 つの大きな影響は、染色プロセス全体の標準化に役立つことです。 AI 手法を使用すると、技術者や動作環境によって生じる差異を防ぐことができ、生検の誤診や誤分類を回避できます。