# 電気工学・システム科学 # 画像・映像処理 # コンピュータビジョンとパターン認識

HistoROIで全スライド画像解析を進化させる

HistoROIは、全スライド画像を使って医療診断の組織分類を向上させるんだ。

Abhijeet Patil, Harsh Diwakar, Jay Sawant, Nikhil Cherian Kurian, Subhash Yadav, Swapnil Rane, Tripti Bameta, Amit Sethi

2025-05-30T16:33:33+00:00 ― 1 分で読む

データの問題
HistoROIの紹介
HistoROIで診断を改善する
病理学における品質管理
効率的なアノテーションプロセス
データセットの準備
HistoROIのテスト結果
直面した課題
前に進むために
結論
オリジナルソース
参照リンク

ホールスライド画像（WSIs）は、医療診断に使われる組織サンプルのデジタル画像なんだ。特に癌の診断において、病理学で重要な役割を果たしてる。でも、これらの画像を使って診断ソフトを開発するのは難しいことがあるんだ。ソフトウェアは、トレーニングデータやテストデータから来るバイアスやエラーに悩まされることが多い。

データの問題

WSIsにはいろんな種類の組織が含まれていて、中には診断に関係ないものもあるんだ。これが不正確な結果につながることがある。さらに、ラベリングの時に人間のミスがあったり、スライドの準備中に質にバラつきがあったりすると、WSIsを効果的に使うのが難しくなる。

WSIsを分析するソフトを作るとき、研究者は全スライドじゃなくて小さいパッチ（断片）に注目することが多いんだ。これがデータの取り扱いや分析を楽にするんだ。でも、研究者たちが計算能力を高めるにつれて、また完全なWSIsを使うことに焦点が戻ってきた。この移行は、画像内の領域を詳細にラベリングするか、広範なラベリングが必要ない方法を使う必要があるんだ。

HistoROIの紹介

HistoROIは、WSIsを6つの主な組織タイプ（上皮、間質、リンパ球、脂肪組織、アーティファクト、その他）に分類するための新しいツールだ。これは人間の専門知識とアクティブラーニングを組み合わせていて、データから学びながら、人間の意見もトレーニングプロセスに取り入れるんだ。このアプローチは、トレーニングに使われるデータが多様で正確であることを助けている。

HistoROIは、いくつかの臓器のタイプでテストされてる。単一のデータセットでトレーニングされたにもかかわらず、他のデータセットでもうまく一般化できることが示されている。つまり、HistoROIは、毎回完全に再トレーニングすることなく、異なる文脈で使えるんだ。

HistoROIで診断を改善する

HistoROIの主なアプリケーションの一つは、ディープラーニングに依存する他の診断ツールのパフォーマンスを向上させることなんだ。例えば、乳がんに関するCAMELYONデータセットと、肺がんに関するTCGAデータセットを使ってテストを行った。結果は、HistoROIでデータをフィルタリングすることで、診断の精度が大きく向上したことを示している。

CAMELYONデータセットでのテストでは、癌の転移を診断する精度が、曲線下面積（AUC）が0.88から0.92に上がった。同じように、肺がんの分類でもAUCが0.88から0.93に向上した。HistoROIは、アーティファクト検出のために以前からあったツールよりも優れたパフォーマンスを示し、診断精度を向上させるための優れたソリューションとしての可能性を示している。

病理学における品質管理

品質管理（QC）は病理学で非常に重要で、診断ツールからの結果が信頼できることを確認するために必要なんだ。HistoROIは、関連のないデータをフィルタリングすることでQCを改善することを目指している。従来の方法は、組織の準備や染色、スキャン過程で発生するアーティファクト（不要な欠陥）に対処する際に困難に直面することが多い。

アーティファクトは診断ツールのパフォーマンスに大きく影響することがある。人間のミスや技術的な問題によって、準備やスキャンの過程で発生することがあるんだ。問題には、組織の固定が悪い、切断が不均一、気泡、染色が間違ってるなどが含まれるから、分析する前にアーティファクトを取り除くのが重要なんだ。

効率的なアノテーションプロセス

WSIsにアノテーションを付けるのは時間がかかる作業だ。それを早くするために、HistoROIはヒューマンインザループアプローチを使ってる。つまり、HistoROIが自動的にデータを分析する一方で、人間の専門家も関わって、アノテーションが正確であることを確認するんだ。

そのプロセスで、HistoROIはクラスタリングを使用して、類似した画像のパッチをグループ化する。もし5x5の小さいグリッドのパッチが同じ組織タイプに見える場合、それらに同じラベルを付けることができる。この方法で、WSIにアノテーションを付ける時間が短縮され、トレーニングに使われるデータの質が向上するんだ。

データセットの準備

HistoROIをトレーニングするために、研究者たちは200万以上のパッチを含むデータセットを作成した。このデータセットには、さまざまな種類の組織やアーティファクトが含まれていて、HistoROIが効果的に学習できるようになっている。最初のデータセットは、頑丈なトレーニングに必要な多様性を示すために慎重に選ばれた50のWSIsから来ている。

HistoROIの効果を検証するために、結腸癌のデータセットでもテストされた。これにより、HistoROIが一般化して、初めてトレーニングしたソースとは異なるパッチを分類できる能力が示された。

HistoROIのテスト結果

HistoROIの精度は、異なるデータセットでテストしたときに高かった。例えば、結腸癌のデータセットでは、77%の精度で組織パッチを分類することができた。これは、異なるタイプの癌に適用しても、うまく一般化できることを示している。

他のQCツールとのパフォーマンス比較では、HistoROIがさまざまなWSIsでアーティファクトを検出するのにおいて、より良い結果を出した。必要のない部分をフィルタリングしながら、より関連性のある組織のエリアを検出するのに成功したんだ。

直面した課題

HistoROIは有望な結果を示しているけど、課題もある。一つの問題は、パッチに単一のラベルを付けること。時には、パッチに複数の組織タイプが含まれていて、正確に分類するのが難しいことがある。

これに対処するために、研究者たちはラベリングのアプローチを改善することを提案している。例えば、セグメンテーションマスクを利用したり、1つのパッチ内で複数の組織タイプのラベルを許可したりすること。これが分類の精度を向上させ、ツールをより堅牢にすることにつながるだろう。

前に進むために

今後のHistoROIの改善点は、トレーニングデータセットを拡充することに焦点を当てるべきだ。より多様な組織タイプやアーティファクトを含めることで、HistoROIが異なるシナリオで効果的に機能することを保証できる。研究者たちは、異なる顕微鏡技術で取得された他の種類の画像に対するパフォーマンスも探求する計画だ。

目標は、WSIsの質を向上させるだけでなく、病理学者がより効率的に正確な診断を下すのを支援するツールを開発することなんだ。

結論

HistoROIは病理学におけるホールスライド画像の分析において重要な進展を示している。人間のインプットと自動プロセスを組み合わせることで、組織タイプを効果的に分類し、診断精度を向上させる手段を提供している。技術が進化する中で、医療病理学の分野での品質管理や診断が改善され、最終的に患者の結果が向上する可能性を秘めている。

オリジナルソース

タイトル: Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training

概要: Histopathology whole slide images (WSIs) are being widely used to develop deep learning-based diagnostic solutions, especially for precision oncology. Most of these diagnostic softwares are vulnerable to biases and impurities in the training and test data which can lead to inaccurate diagnoses. For instance, WSIs contain multiple types of tissue regions, at least some of which might not be relevant to the diagnosis. We introduce HistoROI, a robust yet lightweight deep learning-based classifier to segregate WSI into six broad tissue regions -- epithelium, stroma, lymphocytes, adipose, artifacts, and miscellaneous. HistoROI is trained using a novel human-in-the-loop and active learning paradigm that ensures variations in training data for labeling-efficient generalization. HistoROI consistently performs well across multiple organs, despite being trained on only a single dataset, demonstrating strong generalization. Further, we have examined the utility of HistoROI in improving the performance of downstream deep learning-based tasks using the CAMELYON breast cancer lymph node and TCGA lung cancer datasets. For the former dataset, the area under the receiver operating characteristic curve (AUC) for metastasis versus normal tissue of a neural network trained using weakly supervised learning increased from 0.88 to 0.92 by filtering the data using HistoROI. Similarly, the AUC increased from 0.88 to 0.93 for the classification between adenocarcinoma and squamous cell carcinoma on the lung cancer dataset. We also found that the performance of the HistoROI improves upon HistoQC for artifact detection on a test dataset of 93 annotated WSIs. The limitations of the proposed model are analyzed, and potential extensions are also discussed.