婦人科と産科
オープンアクセス

概要

人工知能による子宮頸がんスクリーニングのための、デジタル化され較正された子宮頸部の細胞の新しいベンチマークデータベース

アビッド・サルワール、ジョツナ・スリ、ヴィノッド・シャルマ、メーボブ・アリ

目的:この研究の主な目的は、子宮頸がんのスクリーニングのために行われるパパニコロウ塗抹標本検査のスライドから得られた、デジタル化され較正された子宮頸部の細胞の新しいベンチマーク データベースを開発することです。このデータベースは、パパニコロウ塗抹標本画像の特徴付けと分類によって子宮頸がんの予後を予測するさまざまな人工知能ベースのシステムを設計、開発、トレーニング、テスト、検証するための潜在的なツールとして機能します。このデータベースは、他の研究者がさまざまな機械学習および画像処理アルゴリズムの作業効率を比較分析するためにも使用できます。データベースは、対応著者にリクエストを送信することで入手できます。豊富な機械学習データベースの開発に加えて、パパニコロウ塗抹標本画像の自動分析によって子宮頸がんを効率的にスクリーニングするための新しい人工知能ベースのハイブリッド アンサンブル手法も提示しました。

方法論:子宮頸がんの正確かつタイムリーな診断は、医療界における大きな問題の 1 つです。文献から、さまざまなパターン認識技術がこの領域の改善に役立つことがわかっています。パパニコロウ塗抹標本 (パップスメアとも呼ばれる) は、子宮頸部と呼ばれる子宮の下部の狭い部分からこすり取った人間の細胞のサンプルを顕微鏡で検査するものです。パパニコロウ法を使用して染色された細胞のサンプルは、前がん状態または前がん状態になる可能性のある異常な変化がないか顕​​微鏡で分析されます。異常所見が認められた場合は、さらに正確な診断サブルーチンにかけられます。子宮頸部の異常について細胞画像を検査することで、迅速な対応が可能になり、子宮頸がんの発生率と死亡率を減らすことができます。これは、子宮頸がんのスクリーニングに使用される最も一般的な技術です。パップスメア検査は、定期的なスクリーニング プログラムと適切なフォローアップで実施すれば、子宮頸がんによる死亡率を最大 80% 減らすことができます。この論文の貢献は、パップスメア検査スライドから得られた定量的にプロファイリングされ較正された子宮頸部細胞の豊富な機械学習データベースを作成したことです。作成されたデータベースは、データの多様性を確保するために複数の医療センターから得られた約 200 件の臨床ケース (8091 個の子宮頸部細胞) のデータで構成されています。スライドは多頭デジタル顕微鏡を使用して処理され、子宮頸部細胞の画像が取得され、さまざまなデータ前処理サブルーチンに渡されました。前処理後、細胞は形態学的にプロファイリングされ、スケーリングされて、それぞれ細胞質と核のさまざまな特徴の個別の定量測定値が得られました。データベース内の細胞は、技術者によって最新の 2001-Bethesda 分類システムに従って、対応するさまざまなクラスに注意深く分類されました。これに加えて、パップスメアデータの分類による子宮頸がんのスクリーニングに対する新しいデータベースと新しいハイブリッド アンサンブル技術の両方の有効性を評価するために、このデータベースに新しいハイブリッド アンサンブル システムを適用する先駆者でもあります。この論文では、子宮頸がんの予後に関する複数の人工知能ベースの分類アルゴリズムの比較分析も提示されています。

結果:本研究で準備されたデジタル データベースの有効性と正確性を評価するために、著者らはこのデータベースを実装し、15 種類の異なる人工知能ベースの機械学習アルゴリズムのトレーニング、テスト、検証を行いました。このデータベースでトレーニングされたすべてのアルゴリズムは、子宮頸がんのスクリーニングにおいて優れた効率を示しました。2 クラスの問題の場合、デジタル データベースでトレーニングされたすべてのアルゴリズムは約 93 ～ 95% の範囲の効率を示しましたが、多クラス問題の場合、アルゴリズムは約 69 ～ 78% の範囲の効率を示しました。結果は、本研究で準備された新しいデジタル データベースが、子宮頸がんの自動スクリーニングのための新しい機械学習ベースの技術の開発に効率的に使用できることを示しています。また、結果は、ハイブリッド アンサンブル技術がパップスメア画像の分類に効率的な方法であり、したがって子宮頸がんの診断に効果的に使用できることを示しています。実装されたすべてのアルゴリズムの中で、ハイブリッド アンサンブル アプローチは、2 クラスの問題で約 98%、7 クラスの問題で約 86% の効率を示し、優れたパフォーマンスを示しました。すべてのスタンドアロン分類器と比較した結果は、2 クラス問題とマルチクラス問題の両方で大幅に改善されました。