リンパ球形態認識における深層学習を用いた人工知能モデルの鑑別性能―リンパ球増多症解析における人工知能の可能性
人工知能技術の一つである深層学習は，人間の脳の神経回路を模した多層構造のニューラルネットワークを用いて大量のデータを学習させることで，データ中の隠れた特徴量を検出し，正確な判断モデルを生成する手法である。自動血液像分類装置には，細胞を正確に鑑別できる認識技術が要求されるが，従来の機械学習では，反応性や腫瘍性細胞に対して高い精度が得られない場合があることが報告されている。我々は血液形態検査における人工知能支援技術の有用性を明らかにするため，正常－反応性－異常リンパ球鑑別人工知能モデルを作成し，その有用性を評価した。5種のresidual neural networksを深層学習に適用した。学習用...
Saved in:
| Published in | 医学検査 Vol. 74; no. 2; pp. 293 - 303 |
|---|---|
| Main Authors | , , , , , , , |
| Format | Journal Article |
| Language | Japanese |
| Published |
一般社団法人 日本臨床衛生検査技師会
25.04.2025
|
| Subjects | |
| Online Access | Get full text |
| ISSN | 0915-8669 2188-5346 |
| DOI | 10.14932/jamt.24-59 |
Cover
| Abstract | 人工知能技術の一つである深層学習は，人間の脳の神経回路を模した多層構造のニューラルネットワークを用いて大量のデータを学習させることで，データ中の隠れた特徴量を検出し，正確な判断モデルを生成する手法である。自動血液像分類装置には，細胞を正確に鑑別できる認識技術が要求されるが，従来の機械学習では，反応性や腫瘍性細胞に対して高い精度が得られない場合があることが報告されている。我々は血液形態検査における人工知能支援技術の有用性を明らかにするため，正常－反応性－異常リンパ球鑑別人工知能モデルを作成し，その有用性を評価した。5種のresidual neural networksを深層学習に適用した。学習用データは6,402枚の有核血球画像で構成した。学習データはデータ拡張処理を行い，転移学習とfine-tuningを行った。臨床評価の対象は，健常人25例，反応性リンパ球増多症25例，急性リンパ性白血病15例とした。Total accuracyの最低値－最高値は健常者0.9433–0.9791，反応性リンパ球増多症0.8108–0.8425，急性リンパ芽球性白血病0.8248–0.8545であり，全症例で0.8645–0.8875であった。リンパ球形態鑑別人工知能モデルは高い認識パフォーマンスを示し，本アプローチは血液塗抹標本スクリーニングにおける有用な形態鑑別支援技術と考えられた。 |
|---|---|
| AbstractList | 人工知能技術の一つである深層学習は，人間の脳の神経回路を模した多層構造のニューラルネットワークを用いて大量のデータを学習させることで，データ中の隠れた特徴量を検出し，正確な判断モデルを生成する手法である。自動血液像分類装置には，細胞を正確に鑑別できる認識技術が要求されるが，従来の機械学習では，反応性や腫瘍性細胞に対して高い精度が得られない場合があることが報告されている。我々は血液形態検査における人工知能支援技術の有用性を明らかにするため，正常－反応性－異常リンパ球鑑別人工知能モデルを作成し，その有用性を評価した。5種のresidual neural networksを深層学習に適用した。学習用データは6,402枚の有核血球画像で構成した。学習データはデータ拡張処理を行い，転移学習とfine-tuningを行った。臨床評価の対象は，健常人25例，反応性リンパ球増多症25例，急性リンパ性白血病15例とした。Total accuracyの最低値－最高値は健常者0.9433–0.9791，反応性リンパ球増多症0.8108–0.8425，急性リンパ芽球性白血病0.8248–0.8545であり，全症例で0.8645–0.8875であった。リンパ球形態鑑別人工知能モデルは高い認識パフォーマンスを示し，本アプローチは血液塗抹標本スクリーニングにおける有用な形態鑑別支援技術と考えられた。 |
| Author | 櫛引, 美穂子 川島, 健太郎 上野, 大 山形, 和史 小笠原, 脩 鎌田, 耕輔 石山, 雅大 野坂, 大喜 |
| Author_xml | – sequence: 1 fullname: 山形, 和史 organization: 弘前大学大学院保健学研究科生体検査科学領域 – sequence: 1 fullname: 小笠原, 脩 organization: 弘前大学医学部附属病院医療技術部検査部門 – sequence: 1 fullname: 川島, 健太郎 organization: 弘前大学医学部附属病院医療技術部検査部門 – sequence: 1 fullname: 石山, 雅大 organization: 弘前大学医学部附属病院医療技術部検査部門 – sequence: 1 fullname: 野坂, 大喜 organization: 弘前大学情報連携統括本部情報基盤センター – sequence: 1 fullname: 鎌田, 耕輔 organization: 弘前大学大学院医学研究科消化器血液内科学講座 – sequence: 1 fullname: 櫛引, 美穂子 organization: 弘前大学医学部附属病院医療技術部検査部門 – sequence: 1 fullname: 上野, 大 organization: 弘前大学大学院保健学研究科生体検査科学領域 |
| BookMark | eNpVkEtLAlEYhg9hkFmrfsfYOXPmcs6uiG4gtKn1cGY8U4pdUDftnKYokkilMFokmGYUGtJCEKT_0mku_YumC1Gb73v5Xt7nhW8SxHZ2dzgAMwgmkUKxPJtl28WkrEgqHQNxGREiqVjRYiAOKVIloml0AkwXChkTQkh0RFU9DprCfRDus3CrQcX1Rk3_qBw-nIXdK-E8CudUOFVxUPYHfa_f8rp3wUtNHNSCi3vhHAqn8TYceoN20GiH7ki4EepYuFGq916teidtv9SJ7q-ly38VzbrXug7qx2Hn1r-p_G35R3N63vlTJCLIFBi3Wa7Ap392AmwsLa4vrEipteXVhfmUlEUEMolgAm2mIFW2OdU5s7hNkIktRnHa1DRF5TDNdWoxDDWm4zRCpgV12bRNHWomMXECzH1zs4Ui2-TGXj6zzfL7BssXM1aOG5_vNXTFkL-GYqj017K2WD7y8QcUt7Ld |
| ContentType | Journal Article |
| Copyright | 2025 一般社団法人 日本臨床衛生検査技師会 |
| Copyright_xml | – notice: 2025 一般社団法人 日本臨床衛生検査技師会 |
| DOI | 10.14932/jamt.24-59 |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| EISSN | 2188-5346 |
| EndPage | 303 |
| ExternalDocumentID | article_jamt_74_2_74_24_59_article_char_ja |
| GroupedDBID | ALMA_UNASSIGNED_HOLDINGS JSF KQ8 MOJWN OK1 RJT |
| ID | FETCH-LOGICAL-j180a-8380fa4152fe97eacef81b3ca93db6645e0de79ca306a73d11bc072bfb706b8b3 |
| ISSN | 0915-8669 |
| IngestDate | Wed Sep 03 06:30:40 EDT 2025 |
| IsDoiOpenAccess | true |
| IsOpenAccess | true |
| IsPeerReviewed | false |
| IsScholarly | false |
| Issue | 2 |
| Language | Japanese |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-j180a-8380fa4152fe97eacef81b3ca93db6645e0de79ca306a73d11bc072bfb706b8b3 |
| OpenAccessLink | https://www.jstage.jst.go.jp/article/jamt/74/2/74_24-59/_article/-char/ja |
| PageCount | 11 |
| ParticipantIDs | jstage_primary_article_jamt_74_2_74_24_59_article_char_ja |
| PublicationCentury | 2000 |
| PublicationDate | 2025/04/25 |
| PublicationDateYYYYMMDD | 2025-04-25 |
| PublicationDate_xml | – month: 04 year: 2025 text: 2025/04/25 day: 25 |
| PublicationDecade | 2020 |
| PublicationTitle | 医学検査 |
| PublicationTitleAlternate | 医学検査 |
| PublicationYear | 2025 |
| Publisher | 一般社団法人 日本臨床衛生検査技師会 |
| Publisher_xml | – name: 一般社団法人 日本臨床衛生検査技師会 |
| References | 9) Kaiming H, Xiangyu Z: Deep residual learning for image recognition. Proc CVPR2016, 2015; 770–778. 7) Kimura K et al.: A novel automated image analysis system using deep convolutional neural networks can assist to differentiate MDS and AA. Sci Rep, 2019; 9: 13385. 17) Deshpande NM et al.: A review of microscopic analysis of blood cells for disease detection with AI perspective. PeerJ Comput Sci, 2021; 7: e460. 19) Wang Z et al.: WBC-AMNet: Automatic classification of WBC images using deep feature fusion network based on focalized attention mechanism. PLoS ONE, 2022; 17: e0261848. 16) Abir WH et al.: Explainable AI in diagnosing and anticipating leukemia using transfer learning method. Comput Intell Neurosci, 2022; 2022: 5140148. 15) Nozaka H et al.: Classifying microscopic images of reactive lymphocytosis using two-step tandem AI models. Applied Sciences, 2023; 13: 5296. 4) Okagawa Y et al.: Artificial intelligence in Endoscopy. Dig Dis Sci, 2022; 67: 1553–1572. 8) Yousra EA et al.: An artificial intelligence-based diagnostic system for acute lymphoblastic leukemia detection. Stud Health Technol Inform, 2023; 305: 265–268. 2) Li D, Dong Y: Deep learning: Methods and applications. Foundations and Trends® in Signal Processing, 2014; 7: 197–387. 11) Shrestha A, Mahmood A: Review of deep learning algorithms and architectures. IEEE Access, 2019; 7: 53041. 12) Ribeiro MT et al.: “Why Should I Trust You?”: Explaining the predictions of any classifier. Proc KDD-16, 2016; 1135–1144. 14) Brereton M et al.: Do we know why we make errors in morphological diagnosis? An analysis of approach and decision-making in haematological morphology. EBioMedicine, 2015; 2: 1224–1234. 3) Ueno M et al.: Deep learning-based automatic detection for pulmonary nodules on chest radiographs: The relationship with background lung condition, nodule characteristics, and location. Eur J Radiol, 2023; 166: 111002. 18) Chen H et al.: Accurate classification of white blood cells by coupling pre-trained ResNet and DenseNet with SCAM mechanism. BMC Bioinform, 2022; 23: 282. 6) Radakovich N et al.: Acute myeloid leukemia and artificial intelligence, algorithms, and new scores. Best Pract Res Clin Haematol, 2020; 33: 101192. 1) LeCun Y et al.: Deep learning. Nature, 2015; 521: 436–444. 13) Kawakami H, Kurata K：Distinction of blood corpuscle image analysis―Atypical lymphocytes using the artificial intelligence．Journal of the Japanese Society for Laboratory Medicine and Hematology, 2020; 21: S232. (in Japanese 5) Eduardo RP, Mario IC: Automatic base-model selection for white blood cell image classification using meta-learning. Comput Biol Med, 2023; 163: 107200. 10) Tohyama K: Present status and perspective of laboratory hematology in Japan: On the standardization of blood cell morphology including myelodysplasia. Int J Lab Hematol, 2018; 40: 120–125. |
| References_xml | – reference: 19) Wang Z et al.: WBC-AMNet: Automatic classification of WBC images using deep feature fusion network based on focalized attention mechanism. PLoS ONE, 2022; 17: e0261848. – reference: 12) Ribeiro MT et al.: “Why Should I Trust You?”: Explaining the predictions of any classifier. Proc KDD-16, 2016; 1135–1144. – reference: 14) Brereton M et al.: Do we know why we make errors in morphological diagnosis? An analysis of approach and decision-making in haematological morphology. EBioMedicine, 2015; 2: 1224–1234. – reference: 1) LeCun Y et al.: Deep learning. Nature, 2015; 521: 436–444. – reference: 9) Kaiming H, Xiangyu Z: Deep residual learning for image recognition. Proc CVPR2016, 2015; 770–778. – reference: 15) Nozaka H et al.: Classifying microscopic images of reactive lymphocytosis using two-step tandem AI models. Applied Sciences, 2023; 13: 5296. – reference: 11) Shrestha A, Mahmood A: Review of deep learning algorithms and architectures. IEEE Access, 2019; 7: 53041. – reference: 5) Eduardo RP, Mario IC: Automatic base-model selection for white blood cell image classification using meta-learning. Comput Biol Med, 2023; 163: 107200. – reference: 17) Deshpande NM et al.: A review of microscopic analysis of blood cells for disease detection with AI perspective. PeerJ Comput Sci, 2021; 7: e460. – reference: 3) Ueno M et al.: Deep learning-based automatic detection for pulmonary nodules on chest radiographs: The relationship with background lung condition, nodule characteristics, and location. Eur J Radiol, 2023; 166: 111002. – reference: 8) Yousra EA et al.: An artificial intelligence-based diagnostic system for acute lymphoblastic leukemia detection. Stud Health Technol Inform, 2023; 305: 265–268. – reference: 13) Kawakami H, Kurata K：Distinction of blood corpuscle image analysis―Atypical lymphocytes using the artificial intelligence．Journal of the Japanese Society for Laboratory Medicine and Hematology, 2020; 21: S232. (in Japanese) – reference: 6) Radakovich N et al.: Acute myeloid leukemia and artificial intelligence, algorithms, and new scores. Best Pract Res Clin Haematol, 2020; 33: 101192. – reference: 2) Li D, Dong Y: Deep learning: Methods and applications. Foundations and Trends® in Signal Processing, 2014; 7: 197–387. – reference: 4) Okagawa Y et al.: Artificial intelligence in Endoscopy. Dig Dis Sci, 2022; 67: 1553–1572. – reference: 18) Chen H et al.: Accurate classification of white blood cells by coupling pre-trained ResNet and DenseNet with SCAM mechanism. BMC Bioinform, 2022; 23: 282. – reference: 7) Kimura K et al.: A novel automated image analysis system using deep convolutional neural networks can assist to differentiate MDS and AA. Sci Rep, 2019; 9: 13385. – reference: 10) Tohyama K: Present status and perspective of laboratory hematology in Japan: On the standardization of blood cell morphology including myelodysplasia. Int J Lab Hematol, 2018; 40: 120–125. – reference: 16) Abir WH et al.: Explainable AI in diagnosing and anticipating leukemia using transfer learning method. Comput Intell Neurosci, 2022; 2022: 5140148. |
| SSID | ssib000871957 ssib005879971 ssib029852134 ssib058492958 ssj0002505185 |
| Score | 1.9910843 |
| Snippet | ... |
| SourceID | jstage |
| SourceType | Publisher |
| StartPage | 293 |
| SubjectTerms | 人工知能 反応性リンパ球増多症 急性リンパ性白血病 深層学習法 畳み込みニューラルネットワーク |
| Title | リンパ球形態認識における深層学習を用いた人工知能モデルの鑑別性能―リンパ球増多症解析における人工知能の可能性 |
| URI | https://www.jstage.jst.go.jp/article/jamt/74/2/74_24-59/_article/-char/ja |
| Volume | 74 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| ispartofPNX | 医学検査, 2025/04/25, Vol.74(2), pp.293-303 |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwpV3Na9RAFA9aL15EUfGbHpyTpOZjkpk5TnaziKIgVOhtSXazhx5UpF48dV1FUUS3KBUPCtWqKFbEQ6FQ_F-M263_he-9TNyselgVlvAy877m_SbJvOxMxrJOdtoO563UsfH_Q0hQ2tyWXKV22knhYa86rpPhQuHzF8Izl_jZuWBuxy5WmbV0fSGdad3447qSf0EVygBXXCX7F8j-VAoFQAO-cASE4TgRxiz2mfSZ1oaIfEMol8WCKQfpOGBRnWmPxSGTAZMRiyWKyDoRdaYkSblMR4aQ2hCoBwiPpEIWCRa5pBCYORIgrkO0FTWY8gwzEmCdM11qlrxU2GAxZ5HGH-oRTAfE3CBCUivqZbs8Q0hRlpQe6pjFCt1T5I-UJB7ivA0tKnqKmRzBpIECi0oQwZnSVCXIukS12kcTKkb-iSI2YUuL5kAroKpRqTLNqeYPxFZjUVQJfkje1si3BlSV15AByiBGXQCuJzwBgEBJYTHyxvgdLAM3dY1ph1hi1EqCEnHUaowfGlQnAlwOS_3YosCEEWOuCMR4JEhhiPyRhyQIgEbYRY2gqL6R8gL8c61YvU73EIquxAihXxIdRrehkGIJmgq4wArib6A4RVESprdA0FBMIsTYVwNkQihBnYsqim6MnfbXIBM6mswH6Icu4K5Bt6m-_XYDW4bFLkEzGZXBYFfagW_eiJvBQbGFlLkJetUnfbGxpxk0-vShjt_HIxzSo2IjjIUZj9vm4_fjH3g3t48mMjUFb3p04M1ANcsqXIEJ9TutXZ4QNBvl3MVqFiVcVZm8EEih1CjL85QM8LuN5TmkHJATmckQOGDFLMilzYt_hsWsZEb3T4-ch1H6POSs5XxXGoLP7rX2mNx5Whfu7rN2zCf7rZW89y7vfc57_eGj3mBzZev2_e13D7Y_PM277_Puvbzbz2_e31r_NPj0avDh9fDLUn5zafj4bd69lXdffNvYGKyvDl-sbvc28x6oupP3QGrte78_uLu6tfgGyr8uPhkzsbI8ePVsuHxn-83LreePqlbGtHXXBg8_AgFKDliXGvFs7YxtNp6x513pJLb0pdNJMLXpZErA0DTrQHbvtxLlt9Mw5EHmtDOhWonvhInw266bthzhwfNNOGEqU_-gNXX5yuXskDUN2arT8lWieCfjIslkq9NKE1ykzV03y8RhSxUhbV4tvi7UnLw7HPkP2aPW7tGle8yaWrh2PTsO6dVCeoI61w-0ZUIC |
| linkProvider | Colorado Alliance of Research Libraries |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E3%83%AA%E3%83%B3%E3%83%91%E7%90%83%E5%BD%A2%E6%85%8B%E8%AA%8D%E8%AD%98%E3%81%AB%E3%81%8A%E3%81%91%E3%82%8B%E6%B7%B1%E5%B1%A4%E5%AD%A6%E7%BF%92%E3%82%92%E7%94%A8%E3%81%84%E3%81%9F%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD%E3%83%A2%E3%83%87%E3%83%AB%E3%81%AE%E9%91%91%E5%88%A5%E6%80%A7%E8%83%BD%E2%80%95%E3%83%AA%E3%83%B3%E3%83%91%E7%90%83%E5%A2%97%E5%A4%9A%E7%97%87%E8%A7%A3%E6%9E%90%E3%81%AB%E3%81%8A%E3%81%91%E3%82%8B%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD%E3%81%AE%E5%8F%AF%E8%83%BD%E6%80%A7&rft.jtitle=%E5%8C%BB%E5%AD%A6%E6%A4%9C%E6%9F%BB&rft.au=%E5%B1%B1%E5%BD%A2%2C+%E5%92%8C%E5%8F%B2&rft.au=%E5%B0%8F%E7%AC%A0%E5%8E%9F%2C+%E8%84%A9&rft.au=%E5%B7%9D%E5%B3%B6%2C+%E5%81%A5%E5%A4%AA%E9%83%8E&rft.au=%E7%9F%B3%E5%B1%B1%2C+%E9%9B%85%E5%A4%A7&rft.date=2025-04-25&rft.pub=%E4%B8%80%E8%88%AC%E7%A4%BE%E5%9B%A3%E6%B3%95%E4%BA%BA+%E6%97%A5%E6%9C%AC%E8%87%A8%E5%BA%8A%E8%A1%9B%E7%94%9F%E6%A4%9C%E6%9F%BB%E6%8A%80%E5%B8%AB%E4%BC%9A&rft.issn=0915-8669&rft.eissn=2188-5346&rft.volume=74&rft.issue=2&rft.spage=293&rft.epage=303&rft_id=info:doi/10.14932%2Fjamt.24-59&rft.externalDocID=article_jamt_74_2_74_24_59_article_char_ja |
| thumbnail_l | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=0915-8669&client=summon |
| thumbnail_m | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=0915-8669&client=summon |
| thumbnail_s | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=0915-8669&client=summon |