白血病診断におけるディープラーニングの決定を説明可能なAIを用いて解明する

科学分野:

• 血液学
• 計算生物学
• 医用画像処理

背景:

• 従来の白血病診断は、末梢血塗抹標本および骨髄評価の専門家による解釈に依存しています。
• これらの方法は、生物学的および画像的なばらつきにより課題に直面しており、高度な診断ツールの必要性が高まっています。
• LDI-PCR、分子細胞遺伝学、array-CGHなどの既存の分子技術は診断を補完しますが、複雑です。

研究 の 目的:

• 正確で解釈可能な白血病診断のためのAIパイプラインを開発および検証すること。
• 透明な診断根拠のために畳み込みニューラルネットワーク（CNN）と説明可能なAI（XAI）を統合すること。
• 白血病分類におけるAIモデルの評価のための包括的なベンチマークデータセットを確立すること。

主な方法:

• ALL、AML、CLL、CMLなどの様々な白血病タイプおよび健常対照をカバーする66,550枚の画像からなる統一されたベンチマークデータセットをキュレーションしました。
• 複数のCNNバックボーン（DenseNet-121、MobileNetV2など）をファインチューニングし、精度およびF1スコアメトリクスを使用して評価しました。
• AIの診断決定に対する透明な根拠を提供するために、説明可能なAI技術（LIME、Grad-Cam）を採用しました。

主要な成果:

• MobileNetV2は、5クラスの白血病分類タスクで97.9%の精度/F1を達成しました。DenseNet-121も97.66%のF1スコアで高いパフォーマンスを示し、核に焦点を当てた強力な説明を提供しました。XAI分析は、モデルの顕著性を臨床指標と一致させ、重要な細胞形態を正確に特定しました。

結論:

• CNNとXAIを統合した提案されたAIパイプラインは、白血病診断において最先端の精度を達成しています。
• 説明可能なAI手法は、診断結果を臨床的関連性と相関させ、重要な解釈可能性を提供します。
• このアプローチは、血液悪性腫瘍の従来の診断ワークフローに対して、より正確で透明性の高い代替手段を提供します。