ディープラーニングがライフサイエンスの検査自動化に革命をもたらす

ディープラーニングがライフサイエンス業界の検査を自動化する仕組み

原典：著者 Brian Benoit

ライフサイエンス業界は、医療用画像、検体検査、医薬品製造の実践を前進させた、資本集約的な研究と医療機器で知られています。これらのデバイスには、マシンビジョン機能が設計に組み込まれています。

しかし、特定のラボ自動化アプリケーションでは、従来のマシンビジョンでは、判断ベースの意思決定を行う人間の思考の柔軟性に十分に対応できません。コンピュータは、複雑な背景や鏡面反射などの画質問題に著しく弱く、従来のマシンビジョンアルゴリズムが、物体や関心領域を精度よく特定することを極めて困難にしています。特に、非構造化されたシーンの中で異常を特定するのは困難です。自動化システムが関心領域を特定しながら無関係な特徴を無視することは、時間がかかるか、不可能に近い場合があります。

しかし今日、ディープラーニングベースの画像解析におけるブレークスルーにより、これらのアプリケーションを信頼性高く、繰り返し実行可能に、マシンビジョンの用語で言えば「ロバストに」自動化できるようになりました。

 

ダウンロード：ライフサイエンス向けディープラーニングソリューションガイド

 

ライフサイエンスにおける欠陥検出

これまで人間の目視検査が必要だった臨床・研究用顕微鏡アプリケーションが、ディープラーニングベースの画像解析の適用により再発明されています。例えば、病理組織標本には、欠陥の多様で予測不可能なパターンにもかかわらず、正確な欠陥検出とセグメンテーションが求められます。

組織学（細胞組織）スライド上の細胞異常や細胞損傷の検出という課題を考えると、潜在的な視覚的外観は驚くほど多岐にわたります。

癌細胞は様々な大きさと形状で現れ、その多様な形態は、ほとんどの場合、類似点よりも相違点の方が多いです。膨大なプログラミングなしに、検査システムにすべての可能な異常を識別させることは実質的に不可能であり、それでも誤検知や誤除外の可能性は高いままです。このような状況では、ディープラーニングベースの画像解析を教師なしモードで用いることが、非常に精度が高く効率的な検査モードとなります。

細胞異常検出アプリケーションでは、癌などの細胞異常のサンプル画像を用いて、ソフトウェアに正常な細胞や細胞クラスタの外観を概念化・一般化させます。これらのスライドは「良品（健康な細胞）」としてラベル付けされ、有糸分裂のような正常な健康細胞のバリエーションも考慮されます。その後、実行時に何らかの変異があれば、異常としてフラグが立てられ、細胞損傷の可能性が高いと判断されます。このアプリケーションにはさらに一工程必要です。

細胞や細胞クラスタがフラグ付けされたら、その特定の関心領域をリアルタイムで動的にセグメント化し、さらなるレビューのために抽出する必要があります。その細胞は、正常から外れた外観を示すため潜在的な損傷を示唆しますが、必ずしも癌細胞ではありません。これらの逸脱は、スライド上のアーティファクト（人工的な構造物）による可能性があります。

通常、人間の検査員（多くは病理医）がこのサブセットサンプルをレビューし、確定診断を下します。しかし再び、Cognexのディープラーニングベースソフトウェアが、サブセット対象ゾーンに対してアルゴリズムを再実行し、今度は教師ありモードで再学習させることで、「良品（許容範囲内、非損傷）」と「不良品（病理的、損傷あり）」の細胞を分類します。

ライフサイエンスにおける光学文字認識（OCR）

多くの医療サプライヤーは、トレーサビリティと安全規制への準拠のために自動識別を活用しています。伸縮性や成形性のある材質（IVバッグなど）に印字された人間が読める英数字は、自動検査システムのカメラには変形して映りやすく、鏡面反射や照り返しもシステムを混乱させ、コードの本来の外観を隠蔽・変化させます。

これらの視覚的変動がなくても、検査システムが遭遇するフォントスタイルを予測できない光学文字検証（OCV）のケースでは、ビジョンシステムに異なるフォントを認識させるのは依然として非常に時間がかかります。ここで事前学習済みのオムニフォントライブラリが役立ちます。様々なフォントを認識するよう事前学習されたディープラーニングベースのツールは、本質的に「箱から出してすぐ」動作し、画像ベースの事前トレーニングは不要です。最小限のトレーニングは、読み取り漏れ文字に対してのみ行われ、モデルのロジックを洗練させます。

迅速かつ簡単な導入と最小限のアプリケーション調整で、ディープラーニングベースのOCRは、変形、歪み、不鮮明な文字が関わるアプリケーションや、カメラが幅広い未知のフォントに遭遇する検証アプリケーションにおいて、明確な選択肢となります。

ライフサイエンスにおける組立検証

臨床分析装置や体外診断デバイスなどのラボ自動化装置は、マシンビジョンを用いて、検体が最適なテスト条件で完全に挿入・整列されているかを確認します。診断デバイスメーカーの成功は、機器の測定精度と結果の正確さにかかっています。おそらく最も重要なのは、正確なテストセットアップとデッキ組立てであり、これらがデバイスに精密なデータを提供し、テストが正しく均一に実行されることを保証します。

テスト検体（血液、尿、組織）の正しい組立て、いわゆる事前組立て検証は、汚染のリスク、診断の取り違えや誤ラベル、高価な機器の故障や停止を招く潜在的エラーを減らすために不可欠です。これらの検査では、自動システムが、テストチューブのズレや欠落、キャップが外されていないもの、分析装置のラックにロードされた余分な容器がないかを検証する必要があります。機器のラックが完全かつ正しく充填されていることを検証するには、複数の要因を管理する必要があります：検体試薬チューブと容器はメーカーによって形状、サイズ、寸法が異なり、デッキ上の検体位置を機械が予測することは不可能に近いからです。

このようなテストセットアップの予測不可能な変動があるため、組立検証にディープラーニングを用いるのが合理的です。Cognexのディープラーニングベースソフトウェアは、トレーニング画像セットに基づき、様々な検体と試薬の外観のばらつきや、それらの予測不可能で多様な位置を学習できます。

このツールは、検体と試薬のサイズ、形状、表面特徴に基づく識別特徴を一般化し、それらの正常な外観と、デッキのラックやマイクロプレート上の大まかな位置を学習します。このようにして、ディープラーニングは、以前はプログラミングが困難だったアプリケーションを、迅速、高精度、導入容易な方法で自動化・解決します。

ライフサイエンスにおける分類

血液サンプルの品質判定には、依然として相当な人間の判断が必要です。これは、遠心分離されインデックス付けされた適切に調製されたサンプルが、濁度と血漿色について個別にスコアリングされる必要があるためです。サンプルが分析装置にロードされる方法によって外観が変わり、血液の分離度合いが比較的明確になったり曖昧になったりするため、インデックスに影響します。

例えば、血漿、バフィーコート、赤血球がより明確に層別化されているサンプルは、層が不明確なサンプルより高く評価されます。しかし、優れたワークフローに依存する高度に自動化されたラボ環境では、このアプローチは理想的ではありません。幸い、ディープラーニングベースの画像解析は人間の知能を模倣し、遠心分離サンプルの分離品質を評価できます。しかし、品質管理プロセスにはさらに一歩、「分類」が必要です。

合格グレードのサンプルのみが検査に使用許可されます。したがって、検査システムが「良品（良好に分離された）」赤血球相の外観を一般化・概念化できることが不可欠です。これは、血漿色、濁度、バフィーコート量など、検体処理で用いられる基準に基づいて行われます。

ディープラーニングは、単一画像内の複数オブジェクトを知的に分類、仕分け、グレード分けできる唯一の自動化ツールです。この場合、Cognex Deep Learningは、単一の血液バイアル内の複数クラスを仕分けし、検査基準を満たすサンプルのみを特定・合格させることができます。

複雑なライフサイエンスアプリケーション向けの最新自動化ソリューションとして、Cognexのディープラーニングベースツールは、オフザシェルフ版とOEM版の両方で便利に利用でき、ラボ自動化デバイスに直接設計組み込み可能です。高い信頼性と、CPUや組み込みPCなどの追加インフラへの低負荷で、Cognexのディープラーニングベースソフトウェアは、ライフサイエンス業界のマシンビジョン検査ツールの武器庫に自然に加わるものです。