カスタム深層ニューラルネットワークによる白血球分類とヒートマップを用いた画像特徴の可視化

なぜ賢い血液検査が重要か

日常的な血液検査は、感染症やアレルギー、さらにはがんの早期兆候を明らかにすることがあります。しかし現状では、多くの洞察が専門家による顕微鏡下での細胞の精査に依存しており、この作業は遅く、費用がかかり、小規模な診療所や地方の病院では必ずしも利用できません。本稿で述べられる論文は、顕微鏡画像から異なる種類の白血球を高精度で識別できるコンパクトな人工知能システムを提示しており、より多くの患者に対してより迅速で信頼できる血液分析をもたらす可能性があります。

体の小さな防御者たち

白血球は、細菌やその他の脅威に対する体の最前線の防御者です。白血球にはいくつかの主要な種類があり、それぞれ役割が異なります：あるものは細菌を攻撃し、他は寄生虫と戦い、アレルギーに反応したり、長期的な免疫を調整したりします。医師は病気の診断や治療の経過観察のために、これらの細胞の数と種類の両方をしばしば観察します。現在、これは熟練を要し時間のかかる顕微鏡での手動計数か、または多くの小規模検査室が購入できない大型の自動化装置のいずれかで行われることが一般的です。

手作業のカウントからデジタルの目へ

過去10年間で、研究者たちは白血球の同定を自動化するためにコンピュータビジョンと機械学習に注目してきました。基本的なプログラムは形や色を測定できますが、より高度なシステムは画像から直接複雑なパターンを学習する深層学習を用います。しかし、多くの強力な深層学習モデルは非常に大規模であり、相当な計算能力とメモリを必要とし、ネットワーク内部で信号が「消失」するなどの学習上の問題に悩まされることがあります。これが、小さな診療所やモバイルヘルス機器、限られた計算資源しかない病院での利用を制約しています。

スリムだが強力なデジタル顕微鏡

著者らはCDNN（カスタム深層ニューラルネットワーク）と呼ぶ、スリム化された深層学習モデルを紹介します。これは顕微鏡画像中の白血球を認識するように特化して設計されています。モデルは2つの一般的な白血球画像データセットで訓練および評価されました：5種類の白血球を含む大きくやや不均衡なデータセット（Raabin WBC）と、4種類でより小さく均衡の取れたデータセット（BCCD）です。訓練前にすべての画像はリサイズされ、明るさが正規化され、その後わずかに回転、反転、せん断などの変換が加えられて自然なばらつきを模倣し、モデルが訓練例を丸暗記するのではなく一般的なパターンを学習するよう過学習を抑制しています。

モデルの「思考過程」の内部

CDNNは、コンパクト性を保ちながら効果的に学習するのを助ける一連の構成要素から構築されています。これらのブロックには、情報が一部の層を迂回できる「残差（residual）」接続が含まれており、訓練信号がネットワークを通過する際に弱まるのを防ぎます。画像がネットワークを通過するにつれて内部のフィルタ数を段階的に増やし、核や周囲の細胞質の微細なディテールからより広い形状までを捉えます。VGG16やResNet-50のような著名な画像モデルに比べて調整可能なパラメータははるかに少ないにもかかわらず、CDNNは高い精度を達成しました：Raabinデータセットで約98％、BCCDデータセットでほぼ99.6％と、多くのより大きな最先端手法を上回っています。

不可視の判断を可視化する

システムが医学的に意味のある画像領域に注目していることを確認するために、研究者らはGrad-CAMとLIMEという2つの可視化手法を用いました。これらの方法は、モデルの判断に強く影響した画像領域を強調するカラーヒートマップを生成します。これらのマップで明るく示される領域は、背景の無関係な部分よりも細胞の核や周囲の細胞質のような重要な構造と一致する傾向がありました。チームはさらに、ネットワーク内部の信号を2次元マップに射影して異なる細胞型がどのように分離されるかを調べ、正しく分類された細胞が明確なクラスターを形成し、誤分類例はモデルが苦手とする点を理解するために検査できることを示しました。

患者にとっての意義

簡潔に言えば、この研究は、慎重に設計された比較的小さなAIモデルが、顕微鏡画像から白血球を分類する能力において、多くの大規模で複雑なシステムと同等かそれ以上の精度を示し得ることを示しています。モデルがコンパクトで効率的であるため、小規模な検査室、ポイントオブケア機器、あるいは携帯型機器での利用により適しており、高品質な血液分析を患者により近づける可能性があります。実際の臨床環境でのさらなる検証は依然として必要ですが、このアプローチは病理医の診断支援や早期発見に役立つ、より迅速でアクセスしやすく透明性の高いツールへの道を示しています。

引用: Karaddi, S.H., Bitra, H., Bairaboina, S.S.R. et al. White blood cell classification using custom deep neural network and visualizing features of the images using heatmaps. Sci Rep 16, 9311 (2026). https://doi.org/10.1038/s41598-026-35138-9

キーワード: 白血球, 医用画像, 深層学習, 血液診断, ニューラルネットワーク