体腔液細胞診におけるAI診断の開発－細胞像変化への対応と標本作製技術の検討－

点击翻译按钮获取中文摘要

前年度に解析したAI判定と細胞診処理溶液との関係性を米雑誌に投稿し、12月に発刊された（Relationship between liquid-based cytology preservative solutions and artificial intelligence: Liquid-based Cytology specimen cell detection using YOLOv5 deep convolutional neural network. Acta Cytol. 2022;66(6):542-550.）。今年度は５種類の細胞株を使用して、Deep Learningによる深層学習モデルの作成を行い、AIによる細胞検出、細胞分類を実施した。標本作製法としてLBC法であるSurePath法、ThinPrep法、従来法であるAutoSmear法を用いて標本作製し、標本作製法がAI解析におよぼす影響を検討した。細胞形態像は解析結果に大きな影響を与えていることが判明し、学習モデルを作成した標本作製方法と検出する作製方法が異なる場合、細胞分類率は99.0％から54.6％まで低下することが明かとなった。さらに、学習させる細胞種類数が多くなればなるほど、細胞検出率は低下し、この二者間には相関関係がみられた。これらの研究結果から、標本作製方法はAI細胞検出に大きな影響を与えており、高検出率を望むためには、同一の方法が選択させるべきだと結論付けている。また、汎用性の高い深層学習モデル作成のためには、様々な標本作製方法で作製した細胞を学習させる必要があることを示唆している。本内容は、American Journal of Clinical PathologyおよびCytopathologyに投稿し、受理されている。