Core Concepts
反射型共焦点顕微鏡画像の特徴抽出と教師なし学習によるクラスタリングを通じ、皮膚病変の自動セグメンテーションと重症度評価を実現し、皮膚科医の診断を支援する。
Abstract
本研究は、反射型共焦点顕微鏡(RCM)画像の分析に人工知能技術を活用し、皮膚病変の自動セグメンテーションと重症度評価を行うことを目的としている。
まず、RCM画像をパッチに分割し、自己教師あり学習アルゴリズムのDINOを用いてViTモデルを訓練することで特徴抽出を行った。次に、k-meansクラスタリングアルゴリズムを適用し、18のクラスターに分類した。
皮膚科専門医が各クラスターの特徴と臨床的意義を分析した結果、クラスターマップが皮膚病変の重症度を効果的に表現できることが示された。緑色は正常表皮、黄色と橙色は不規則な表皮、赤色は異型細胞、青色はアーチファクトを示している。
このクラスターマップを元の RCM 画像に重ね合わせることで、皮膚科医が病変部位を迅速かつ正確に特定し、診断の信頼性を高めることができる。本手法は皮膚がんの早期発見と治療に役立つ可能性がある。
今後の課題としては、特徴抽出モデルの比較検討、クラスタリング手法の最適化、より大規模なデータセットを用いた検証などが挙げられる。また、クラスターマップの定量的な評価基準の確立や、臨床現場での実用化に向けた取り組みが必要である。
Stats
RCM画像データセットは合計519枚で、生検が推奨された233枚と推奨されなかった286枚のバランスが取れている。
画素解像度は1,000×1,000ピクセルと1,024×1,024ピクセルの2種類がある。
Quotes
「RCMは皮膚と浅層組織の非侵襲性高解像度画像を提供し、生検の必要性を減らすことができる。」
「RCMの画像解析にAIとMLを活用することで、皮膚病変の自動検出と診断が可能になる。」
「本手法は皮膚がんの早期発見と治療に役立つ可能性がある。」