リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「Classification of glomerular pathological findings using deep learning and nephrologist－AI collective intelligence approach」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

Classification of glomerular pathological findings using deep learning and nephrologist－AI collective intelligence approach

Uchino, Eiichiro 京都大学 DOI:10.14989/doctor.r13440

2021.09.24

概要

腎病理診断は腎臓病の診断に重要な役割を果たし、特に多くの腎臓病の病態の主座である糸球体の正確な評価は腎臓病患者の治療方針決定に不可欠である。腎病理診断のプロセスは専門家にとっても非常に時間を要し、腎病理医が不足している現状とも相まって大きな課題である。このプロセスに自動化を取り入れることにより、効率化とより客観的かつ標準化された診断へつながることが期待されている。近年、とくに画像分野において高い性能を有する深層学習とよばれる人工知能 (AI) 技術が、病理診断を含む多様な医療画像データへ適用されている。腎病理分野での先行研究では、腎生検標本のバーチャルスライドより糸球体を抽出するモデルが多く報告されている。しかしながら、先行研究における糸球体の所見の判定は、完全硬化や一部の細胞増殖などのごく限られた所見のみにしか行われておらず、腎病理診断に必要な多くの主要な所見を分類する包括的なモデルは報告されていなかった。また、これらの AI モデルを臨床医が使用することにより、診断性能が向上するかどうかも不明であった。そこで本研究では、病理診断に必要な主要な7種類の所見について糸球体画像を分類する AI モデルを開発し、さらにこれらのモデルが腎臓内科医の診断能力を向上させ得るかどうかを検討した。

AI モデルの構築には、京都大学医学部附属病院において 2012 年から 2017年の間に腎生検を施行された 283 成人例の、periodic acid-Schiff（PAS）染色および periodic acid methenamine silver（PAM）染色の計 15,888 枚の糸球体画像を使用した。2016 年 6 月までのデータに対して 16 名の腎臓内科医が所見を判定し、モデルの構築用データセットとして使用した。また、2016 年 7 月以降のデータには別の 9 名の専門医資格をもつ腎臓内科医が所見を判定し、性能のテスト用データセットとして使用した。InceptionV3 畳み込みニューラルネットワークのファインチューニングにより、完全硬化、分節性硬化、管内細胞増殖、メサンギウム基質増殖、メサンギウム細胞増殖、半月体形成、および基底膜変化の 7 つの病理所見の有無を分類する深層学習 AI モデルを構築した。さらに、複数の腎臓専門医が所見についての多数決を行うという状況において、 AI モデルを 1 人の投票者とした加える場合での、多数決結果の正解ラベルへの一致度の変化を分析した。

構築されたモデルのうち、完全硬化のモデルは受信者操作特性（ROC）曲線の area under the curve（AUC）値において PAS 染色で 0.986、PAM 染色で 0.983 と高い性能を示した。その他の所見のモデルにおいても腎臓専門医に近い性能が達成された。7 つの所見および 2 染色に対して構築された合計 14 つのモデルのうち、モデルの判定結果を腎臓専門医の多数決に加えることで、腎臓専門医のみの場合と比べて正解ラベルに対する感度は 10 モデル（うち 4 モデルで p 値＜0.05）、特異度は 8 モデル（うち 5 モデルで p 値＜0.05）において上昇が見られた。

以上より、本研究では、糸球体の病理所見について完全硬化をはじめとする主要な 7 所見の包括的な自動分類が、腎臓内科医に近い精度で可能であることが示された。またこれらのモデルの出力結果を腎臓内科医が利用することで、診断精度の向上につながる可能性が示唆された。今後は、より高い精度のモデル構築と、これらのモデルを臨床意思決定支援システムとして実装した際の診断性能や患者管理への影響についてのさらなる研究が望まれる。

論文の公開元へ

この論文で使われている画像

関連論文

関連論文をもっと見る

参考文献

[1] K. Iseki, F. Miyasato, H. Uehara, et al., Outcome study of renal biopsy patients in Okinawa, Japan, Kidney Int. 66 (2004) 914–919.

[2] T.J. Fuchs, J.M. Buhmann, Computational pathology: challenges and promises for tissue analysis, Comput. Med. Imaging Graph. 35 (2011) 515–530.

[3] V. Gulshan, L. Peng, M. Coram, et al., Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs, JAMA 316 (2016) 2402–2410.

[4] A. Esteva, B. Kuprel, R.A. Novoa, et al., Dermatologist-level classification of skin cancer with deep neural networks, Nature 542 (2017) 115–118.

[5] A. Janowczyk, A. Madabhushi, Deep learning for digital pathology image analysis: a comprehensive tutorial with selected use cases, J. Pathol. Inform. 7 (2016) 29.

[6] F. Cabitza, R. Rasoini, G. Gensini, Unintended consequences of machine learning in medicine, JAMA 318 (2017) 517–518.

[7] V. Bevilacqua, N. Pietroleonardo, V. Triggiani, et al., An innovative neural network framework to classify blood vessels and tubules based on Haralick features evaluated in histological images of kidney biopsy, Neurocomputing 228 (2017) 143–153.

[8] V.B. Kolachalama, P. Singh, C.Q. Lin, et al., Association of pathological fibrosis with renal survival using deep neural networks, Kidney Int. Rep. 3 (2018) 464–475.

[9] Y.G. Kim, G. Choi, H. Go, et al., A fully automated system using a convolutional neural network to predict renal allograft rejection: extra-validation with giga-pixel immunostained slides, Sci. Rep. 9 (2019) 5123.

[10] M. Hermsen, T. de Bel, M. den Boer, et al., Deep learning–Based histopathologic assessment of kidney tissue, J. Am. Soc. Nephrol. 30 (2019) 1968–1979.

[11] J. Zhang, J. Hu, Glomerulus extraction by optimizing the fitting curve, 2008 International Symposium on Computational Intelligence and Design 2 (2018) 169–172.

[12] J. Ma, J. Zhang, J. Hu, Glomerulus extraction by using genetic algorithm for Edge patching, 2009 IEEE Congress on Evolutionary Computation (2009) 2474–2479.

[13] Y. Hirohashi, R. Relator, T. Kakimoto, et al., Automated quantitative image analysis of glomerular desmin immunostaining as a sensitive injury marker in spontaneously diabetic torii rats, Journal of Biomedical Image Processing. 1 (2014) 20–28.

[14] T. Kato, R. Relator, H. Ngouv, et al., Segmental HOG: new descriptor for glomerulus detection in kidney microscopy image, BMC Bioinformatics 16 (2015) 1–16.

[15] M. Gadermayr, B. Klinkhammer, P. Boor, et al., Do we need large annotated training data for detection applications in biomedical imaging? A case study in renal glomeruli detection, Mach. Learn. Med. Imaging 10019 (2016) 18–26.

[16] R. Mar´ee, S. Dallongeville, J.-C. Olivo-Marin, et al., An approach for detection of glomeruli in multisite digital pathology, 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI) (2016) 1033–1036.

[17] Y. Zhao, E.F. Black, L. Marini, et al., Automatic glomerulus extraction in whole slide images towards computer aided diagnosis, 2016 IEEE 12th International Conference on E-Science (E-Science) (2016) 165–174.

[18] M. Ishikawa, S. Watanabe, N. Honda, et al., Extraction of glomeruli in whole slide imaging of kidney biopsy specimens, Medical Imaging 2017: Digital Pathology, Proc. of SPIE 10140 (2017), 101400.

[19] O. Simon, R. Yacoub, S. Jain, et al., Multi-radial LBP features as a tool for rapid glomerular detection and assessment in whole slide histopathology images, Sci. Rep. 8 (2018) 2032.

[20] P. Sarder, B. Ginley, J.E. Tomaszewski, Automated renal histopathology: digital extraction and quantification of renal pathology, Medical Imaging 2016: Digital Pathology, Proc. of SPIE 9791 (2016) 97910F.

[21] B. Ginley, J.E. Tomaszewski, P. Sarder, Automatic computational labeling of glomerular textural boundaries, Medical Imaging 2017: Digital Pathology, Proc. of SPIE (2017) 101400G.

[22] M. Gadermayr, D. Eschweiler, A. Jeevanesan, et al., Segmenting renal whole slide images virtually without training data, Comput. Biol. Med. 90 (2017) 88–97.

[23] B. Ginley, J.E. Tomaszewski, R. Yacoub, et al., Unsupervised labeling of glomerular boundaries using Gabor filters and statistical testing in renal histology, J. Med. Imaging Bellingham (Bellingham) 4 (2017), 021102.

[24] S.M. Sheehan, R. Korstanje, Automatic glomerular identification and quantification of histological phenotypes using image analysis and machine learning, Am. J. Physiol. Renal Physiol. 315 (2018) F1644–F1651.

[25] M. Temerinac-Ott, G. Forestier, J. Schmitz, et al., Detection of glomeruli in renal pathology by mutual comparison of multiple staining modalities, Proceedings of the 10th International Symposium on Image and Signal Processing and Analysis (2017) 19–24.

[26] S. Kannan, L.A. Morgan, B. Liang, et al., Segmentation of glomeruli within trichrome images using deep learning, Kidney Int. Rep. 4 (2019) 955–962.

[27] J. Gallego, A. Pedraza, S. Lopez, et al., Glomerulus classification and detection based on convolutional neural networks, J. Imaging 4 (2018) 20.

[28] M. Gadermayr, A.-K. Dombrowski, B.M. Klinkhammer, et al., CNN cascades for segmenting sparse objects in gigapixel whole slide images, Comput. Med. Imaging Graph. 71 (2018) 40–48.

[29] Y. Kawazoe, K. Shimamoto, R. Yamaguchi, et al., Faster R-CNN-Based glomerular detection in multistained human whole slide images, J. Imaging 4 (2018) 91.

[30] J.D. Bukowy, A. Dayton, D. Cloutier, et al., Region-based convolutional neural nets for localization of glomeruli in trichrome-stained whole kidney sections, J. Am. Soc. Nephrol. 29 (2018) 2081–2088.

[31] B. Ginley, B. Lutnick, K.Y. Jen, et al., Computational segmentation and classification of diabetic glomerulosclerosis, J. Am. Soc. Nephrol. 30 (2019) 1953–1967.

[32] G.O. Barros, B. Navarro, A. Duarte, et al., PathoSpotter-K: a computational tool for the automatic identification of glomerular lesions in histological images of kidneys, Sci. Rep. 7 (2017) 46769.

[33] J.N. Marsh, M.K. Matlock, S. Kudose, et al., Deep learning global glomerulosclerosis in transplant kidney frozen sections, IEEE Trans. Med. Imaging 2018 (37) (2018) 2718–2728.

[34] C.A. Schneider, W.S. Rasband, K.W. Eliceiri, NIH Image to ImageJ: 25 years of image analysis, Nat. Methods 9 (2012) 671–675.

[35] C. Szegedy, V. Vanhoucke, S. Ioffe, et al., Rethinking the inception architecture for computer vision, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2016) 2818–2826.

[36] M. Abadi, P. Barham, J. Chen, et al., TensorFlow: a system for large-scale machine learning, Th12 USENIX Symposium on Operating Systems Design and Implementation (2016) 265–283.

[37] L. Breiman, Bagging predictors, Mach. Learn. 24 (1996) 123–140.

[38] G. Hinton, R. Salakhutdinov, Reducing the dimensionality of data with neural networks, Science. 313 (2006) 504–507.

[39] R. Lindsey, A. Daluiski, S. Chopra, et al., Deep neural network improves fracture detection by clinicians, Proc National Acad Sci. 115 (2018) 11591–11596.

[40] P. Lakhani, B. Sundaram, Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks, Radiology. 284 (2017) 574–582.

[41] C. Liew, The future of Radiology augmented with Artificial Intelligence: a strategy for success, Eur. J. Radiol. 102 (2018) 152–156.

[42] M. Wolf, J. Krause, P.A. Carney, et al., Collective intelligence meets medical decision-making: the collective outperforms the best radiologist, PLoS One 10 (2015), e0134269.

[43] M.L. Barnett, D. Boddupalli, S. Nundy, et al., Comparative accuracy of diagnosis by collective intelligence of multiple physicians vs individual physicians, JAMA Netw. Open 2 (2019), e190096.

参考文献をもっと見る