蛍光の目視カウントに別れを告げ、英国チームが狂犬病ワクチン評価用AIワークフローを開発、AUC0.999を達成

狂犬病は深刻な人獣共通感染症であり、流行地域では依然として毎年数万人の命を奪っている。ワクチン接種により狂犬病を効果的に予防できるものの、ウイルス感染の診断、ワクチン接種後の免疫効果の評価、および関連する血清学モニタリングには、信頼性の高い実験室検査手法が不可欠である。細胞培養検査では、実験者が狂犬病ウイルス（RABV）に感染しているかどうかを判定するために蛍光顕微鏡画像を用いることが一般的であり、このプロセスには大量の画像に対する人間の観察と判読が含まれ、時間がかかるだけでなく、操作者の経験や微弱な蛍光、画像アーチファクトなどの要因の影響を受けやすい。

近年、ディープラーニング（DL）技術の進歩により、生物医学画像分析、特にウイルス感染評価の分野が著しく発展した。しかし、狂犬病ウイルス抗原に対する体系的な蛍光画像分析への深層学習手法の適用は、従来研究されていなかった。狂犬病ウイルスは通常、顕著な細胞変性効果（CPE）やシンシチウム形成を引き起こさないため、多くのAIベースの手法が依存する細胞形態学的特徴は、こうした検出には限定的にしか適用できない。

このような背景のもと、英国サレー大学の研究チームは、BHK-21細胞培養における狂犬病ウイルス感染の検出と抗体力価の定量分析を行うための、AIベースの初のワークフローを提案した。 研究者らはResNet、Swin Transformer V2、MambaOutという3つの先進的な深層学習アーキテクチャを選択し、大規模データセットを用いて訓練を行った。画像パッチ、単一画像、ウェル（well）の3つのレベルでの評価において、MambaOutモデルは一貫して他モデルを上回る性能を示した。

ウェルレベルでは、このモデルは精度0.996、F1スコア0.993、受信者動作特性曲線下面積（AUC-ROC）0.999を達成した。 本手法の実用的な応用能力を評価するため、研究者らは世界保健機関（WHO）/世界動物保健機関（WOAH）推奨の蛍光抗体ウイルス中和試験から得られた未見の画像を用いてモデルをテストした。その結果、MambaOutは抗体濃度の予測において正解ラベルと完全に一致し、本ワークフローがワクチン評価やペット渡航関連の検査において信頼性が高いことを実証した。

本研究の成果は「Deep learning enables rabies virus detection and antibody quantification in cell culture」というタイトルで、Scientific Reports誌に掲載された。

研究ハイライト：

• 初の狂犬病ウイルス画像大規模データセットの構築

• AIを活用した高通量画像分析の自動化により、診断ラボ向けに拡張性が高く時間節約型のソリューションを提供可能。特に狂犬病の流行地域や国において有用

• 本研究の結果は、AI支援による狂犬病診断の基盤を築くとともに、細胞培養に基づく他のウイルス検出法へ深層学習技術を応用する新たな可能性を開いた

論文リンク：

https://www.nature.com/articles/s41598-026-57955-8

LyssaScanデータセットの構築：蛍光画像からの感染シグナル識別

研究者らはまず、RABV感染識別のための画像データセットLyssaScanを構築した。このデータセットは、多様な感染レベル、染色試薬、撮像条件をカバーしており、 生物学的差異と技術的な変動の両方を反映している。

具体的には、研究者らは狂犬病ウイルス（RABV）標準攻撃株11（CVS-11）に感染させたBHK-21細胞を用いて、標準化された蛍光顕微鏡撮像プロトコルを確立した。細胞培養には、平底で透明なボトム、黒い側壁を持つ96ウェルプレートを使用し、48時間培養した後、細胞を固定し、イソチオシアネートフルオレセイン（FITC）標識ポリクローナル抗狂犬病ウイルス核カプシド抗体（Fujirebio社製）で染色した。陰性対照には、未感染細胞のウェルと培地のみのウェルを含めた。一部の細胞培養には別のFITC結合抗体（Sifin社製）を用いて染色した。完全な撮像プロトコルは以下の図に示す通りである：

データセット生成の自動化ワークフロー

自動化された撮像には、Agilent Technologies社のCytation 5細胞イメージングシステムを使用し、原文の型番情報に異常が見られる物鏡および統合型広視野カメラを装備した。研究者らはGFPおよびTexas Redフィルターブロックを使用し、ウイルス核カプシド染色による蛍光シグナルと、細胞単層の確認用画像をそれぞれ取得した。各ウェルの4つの隅で画像を取得し、各ウェルから4枚の合成PNG画像を生成した。最終的に、合計2,344枚の合成画像を収集し、後処理に供した。

その後、画像を特定のサイズに拡大し、16個の重ならない画像パッチに正確に分割できるようにした。専門家が手動でアノテーションを行い、信頼性の高い正解ラベルを生成した。判定が一致しなかったケースは「曖昧」としてラベル付けされ、モデル開発から除外された。最終的に、データセットLyssaScanには合計36,822個の画像パッチが含まれており、そのうち9,750個が感染サンプル、27,072個が非感染サンプルであった。

3種類のアーキテクチャの差異：畳み込みネットワークからゲート付き畳み込みへ

異なるディープラーニングアーキテクチャの蛍光画像認識タスクにおける性能を比較するため、研究者らはResNet-101、Swin Transformer V2 Small（SwinT-V2）、MambaOut Smallの3つのモデルを選択した。各モデルのパラメータ数はそれぞれ約4,450万、4,700万、4,850万である。

ResNet-101：残差接続に基づく畳み込みニューラルネットワーク

ResNetは本研究のベースラインモデルであり、その特徴はスキップ接続の導入にあり、ネットワークの深度を増しながら勾配伝播を改善する。層ごとに画像特徴を抽出することで、ResNetは局所的な蛍光構造を認識できるが、複雑な背景や微弱な感染シグナルの判別においては、局所特徴の表現能力に制限を受ける可能性がある。

SwinT-V2：自己注意機構を用いた文脈情報の統合

SwinT-V2は階層的なビジョントランスフォーマーであり、シフトウィンドウ自己注意機構を採用し、局所特徴の抽出と同時により広範な文脈情報を統合する。蛍光画像において、感染病巣は小さかったり、背景シグナル、染色の差異、その他の構造と混在したりすることがあるため、局所的な外観と周囲の環境を総合的に考慮することは、認識能力の向上に寄与する。

MambaOut：ゲート機構による特徴の動的調整

MambaOutは本研究において、状態空間モデルコンポーネントを含まない積層ゲート付きCNNモジュールを採用している。ゲート機構は特徴の伝達を動的に調整し、有用なシグナルを選択的に強化する一方で背景ノイズを抑制する。この特性は、複雑な背景中に埋もれた微弱な蛍光病巣の認識により適している可能性があり、研究者らがその性能に注目した理由の一つでもある。

3つのアーキテクチャは、それぞれ補完的な特徴を持つ技術路線、すなわち畳み込みニューラルネットワーク（CNN）、ビジョントランスフォーマー（ViT）、ゲート付き畳み込みニューラルネットワークを表しており、異なるアーキテクチャを体系的に比較するための基礎を提供する。

モデルの学習には、標準的なデータ拡張手法（ランダム反転、回転、輝度およびコントラスト調整）を用いて、モデルの頑健性を高めた。モデルはImageNet-1kの事前学習済み重みで初期化され、LyssaScanデータセットでファインチューニングを行った。学習にはNVIDIA GeForce RTX 2080 Ti GPUを使用し、エポック数は20、バッチサイズは128とした。

最適化過程ではAdamオプティマイザを採用し、初期学習率に対応する数式は原文で異常表示されており正確に復元できないが、コサインアニーリング学習率スケジューリング戦略を用いた。クラス不均衡問題に対処するため、研究では重み付き交差エントロピー損失関数を用い、クラス重みは各クラスのサンプル頻度と逆比例するよう設定した。

学習過程（下図参照）において、各モデルが抽出した特徴はまずグローバル平均プーリング（GAP）によりD次元の特徴記述ベクトルに集約され、続いて全結合層（FC）に入力されてロジットを生成する。最後に、重み付き交差エントロピー損失関数を用いて最適化が行われる。

モデル学習過程

推論段階（下図参照）では、入力画像領域はサイズ調整後に学習済みモデルによって処理される。抽出された特徴はグローバル平均プーリングにより集約され、全結合層およびSoftmax層を経て、各クラスの予測確率が得られる。その後、これらの確率を用いてモデルの各種評価指標を算出する。

モデル推論過程

MambaOutモデル：認識精度と抗体定量能力の両立

研究者らはResNet、Swin Transformer V2、MambaOutの3モデルを体系的に評価し、狂犬病ウイルス検出タスクにおける最先端ディープラーニングモデルの性能を比較することで、関連モデルの選択と応用のための根拠を提供した。

モデル性能評価

モデル性能は3つのレベルで評価された。まず、画像領域レベルでの検出性能評価を行い、個々の画像領域を分類した結果を下表に示す。

5分割交差検証に基づくディープニューラルネットワークのLyssaScanデータセット画像領域（パッチ）レベルにおける性能（平均値 ± 標準偏差）

次に、16個の画像領域の予測結果を集約して画像全体の分類結果を得て、画像レベルの正解ラベルと比較した結果を下表に示す。

5分割交差検証を用いた、LyssaScanデータセットにおける各深層ニューラルネットワークの画像レベルでの性能評価（平均値 ± 標準偏差）

最後に、各ウェルは異なる角位置から撮影された4枚の画像に対応しているため、研究者らは画像領域の予測結果をウェルレベルに集約し、対応するウェルの真実のラベルと比較して、ウェル全体の検出性能を評価しました。その結果を以下の表に示します：

5分割交差検証を用いた、LyssaScanデータセットにおける各深層ニューラルネットワークのウェルレベルでの性能評価（平均値 ± 標準偏差）

画像領域、単一画像、およびウェルの3つの評価レベルにおいて、MambaOutが一貫して最高の性能を達成し、次にSwin Transformer V2（SwinT-V2）が続きます。 画像領域レベルでは、MambaOutは精度、F1スコア、適合率などの指標においてすべて最適であり、局所的な画像領域における感染シグナルを信頼性高く識別できることを示しています。この傾向は画像レベルの評価でも同様に確認されました。MambaOutは高い精度とF1スコアを達成し、SwinT-V2の性能はMambaOutよりわずかに低くなりました。

ResNetの画像レベルの性能は最も低く、精度は0.947でした。その主な理由は、このモデルが画像領域レベルでの分類エラーに対して敏感であることです。それでもなお、この集約ルールは実際の生物学的判定ロジックに合致しています。すなわち、蛍光陽性領域が1つでも現れれば、それはウイルス抗原が検出されたことを意味するため、画像全体は感染陽性と判定されるべきです。診断シナリオでは、いかなる感染の証拠を発見することも重要であり、見逃し（偽陰性）は、偶発的な偽陽性よりも深刻な結果を招くことが一般的です。

蛍光抗体ウイルス中和試験（FAVN）における抗体力価測定への適用性

提案されたワークフローの血清学的検査シナリオへの適用性を評価するため、研究者らはモデルを蛍光抗体ウイルス中和試験（FAVN）に適用しました。実験の結果、MambaOutは最高の性能を示し、精度は0.992、F1スコアは0.992、AUC-ROCは0.997に達しました。これは、このモデルが複雑で変化する検出条件下においても、局所的および大域的な特徴を効果的に捉えることができることを示しています。SwinT-V2もまた強力な汎化性能を示し、精度は0.988に達しました。一方、ResNetの性能は低下し、精度は0.965でした。

その後、研究者らはさらに、同一の画像セットを用いて、モデルが予測する抗体力価と人工オペレーターによる測定結果を比較し、人工による読み取り結果を真実の参考値として、その抗体力価測定への適用性を検討しました。その結果を以下の表に示します：

ResNet、SwinT-V2、およびMambaモデルが予測する抗体力価（国際単位/ミリリットル、IU/mL）と、人工オペレーターによる同一サンプルセットの読み取り結果との比較

研究では、Bland–Altman分析を用いて、モデルと人工オペレーター間の一致度を評価しました。その結果を以下の図に示します：

深層学習モデルの予測結果と人工オペレーターの測定結果とのBland–Altman一致度分析図

ResNetは顕著な正のバイアスを示し、平均差は+0.41、一致限界（LoA）は−0.71から+1.53と広範囲に及びました。これは、人工による読み取り結果と比較して、ResNetには抗体力価を系統的に過大評価する傾向があることを示しています。

SwinT-V2は良好な一致度を示し、平均差はゼロに近く（−0.02）、一致限界は−0.15から+0.11と狭く、測定範囲全体において、その予測結果は人工による読み取り結果と良好な互換性を持つことを示しています。

MambaOutの予測結果は人工による読み取り結果と完全に一致し、 すべてのペアの差はゼロでした。

SwinT-V2およびMambaOutについては、比例バイアスの証拠は発見されませんでした。一方、ResNetの差は、抗体力価の上昇に伴いわずかに増加する傾向を示しました。

世界保健機関（WHO）および世界動物保健機関（WOAH）の関連ガイドラインによれば、抗体力価が0.5 IU/mLに達することは、ワクチン接種後の血清学的転換の合理的な証拠とみなされ、国際的なペットの移動規制を満たすための参考基準でもあります。本研究では、この閾値を用いて、抗体力価の全範囲をカバーするサンプルセットにおいて、予測力価の差異が結果判定にどのような影響を与えるかを評価しました。

サンプル全体において、ResNetの抗体力価推定値は実際の基準値よりも全体的に高くなる傾向が見られ、 この誤判定により、免疫が不十分なペットが誤って移動を承認される可能性があります。

SwinT-V2の全体的な予測結果は専門家による判定に近いものの、 実際の基準を満たしているサンプル10を陰性と誤判定しました。これにより、不必要な再接種や移動の遅延が生じる可能性があります。

MambaOutの予測結果は専門家による判定と完全に一致しており、 不適合なサンプルをすべて正しく識別しただけでなく、低力価と高力価の血清を正確に区別し、閾値判定において誤りがありませんでした。

総合的に見ると、これらの研究結果は、提案されたシステムが細胞培養検査に有効に適用できるだけでなく、血清学検査プロセスにも拡張可能であり、狂犬病の診断および血清学サーベイランスにおけるさらなる応用を支持する可能性があることを示しています。

結語

総じて、本研究におけるRABV感染検出での進歩は、細胞研究および診断試験へのコンピュータビジョンの応用という科学的基盤をさらに強化するとともに、他のウイルス病原体の細胞培養検出への拡張可能性も示しました。本研究は、人工知能が実験室診断に変革をもたらす潜在能力を浮き彫りにし、専門家レベルの判定能力と、スケーラブルで使いやすい技術との間のギャップを埋めることに貢献します。技術的な貢献に加えて、この手法は、AI駆動の診断技術が世界的な狂犬病の疾病負担を軽減する可能性を示しています。現在のソリューションはまだ専門的な機器に依存していますが、その基礎的な手法は、より入手しやすい機器プラットフォーム（例えば、一般的な顕微鏡とデジタルカメラの組み合わせ）に適応させることが期待され、資源が限られた地域においてスケーラブルかつ持続可能な診断ソリューションを開発するための道を開きます。

参考文献：

https://phys.org/news/2026-10-ai-rabies-world.html
https://www.nature.com/articles/s41598-026-57955-8