東京大学とエルピクセルが、スマートフォンで撮影した眼瞼結膜写真を人工知能（AI）に学習させ、非侵襲的にヘモグロビン値を予測できる機械学習・深層学習モデルを構築したと発表した。さらに精度のよいモデルを構築できれば臨床に応用できる可能性があるとしている。
深層学習で先行研究より相関係数向上
研究成果を発表したのは、東京大学大学院医学系研究科小児医学講座の加登翔太（医学博士課程）、加藤元博教授らの研究グループと、エルピクセルの茶木慧太、髙木優介、河合宏紀との共同研究グループ。貧血の診断には、血液検査によりヘモグロビン値の低下を確認する必要があるが、眼瞼結膜（あっかんべーをした時に見えるまぶたの裏の粘膜）の赤みの程度を見ることで、貧血の有無を推測する身体診察法も以前より用いられている。これまで複数の先行研究で、機械学習を用いて眼瞼結膜の写真からヘモグロビン値を推定するモデルが開発されているが、研究グループではそのなかでも深層学習を用いてヘモグロビン値を推定できるか研究を行なった。
具体的には、東京大学医学部附属病院の小児科に通院中あるいは入院中の150名の患者について、スマートフォンで撮影した眼瞼結膜写真と、同じ日に診療検査として行った血液検査の結果（ヘモグロビン値）を取得、このうちの90名の眼瞼結膜写真を用い、撮影した写真から眼瞼結膜領域のみを自動的に抽出するアルゴリズムを構築した。深層学習によるセグメンテーションモデル※1に上述の写真を学習させることで、高精度に眼瞼結膜の領域を抽出できたという。続いてこのセグメンテーションモデルで、150名全員の症例について眼瞼結膜の領域を抽出、血液検査で測定したヘモグロビン値と合わせて機械学習モデルに学習させた。非深層学習モデルと深層学習モデルでそれぞれ学習させた結果、非深層学習モデルよりも深層学習モデルの方が精度よくヘモグロビン値を予測できた。
精度向上のキーポイントを発見
深層学習モデルの方が先行研究よりも精度の高さを得られたものの、臨床応用を視野に入れるにはまだまだ改善の余地があるため、研究グループでは深層学習モデルを用いたヘモグロビン値の予測において、眼瞼結膜領域のどの部分が特に重要なのかを調べるために Grad-CAM※2を用いた可視化を行なった。
この結果、 貧血の実測値と予測値が近い症例では眼瞼結膜の下半分が特に注目されていた一方、実測値と予測値の乖離が大きい症例では、眼瞼結膜の下半分以外に注目してしまっていることが分かった。研究グループでは、本研究の結果、深層学習モデルにおいて特に眼瞼結膜の下半分の領域に注目することが 重要であることが世界で初めて明らかになったとしており、さらに精度のよい深層学習モデルを構築することで将来的には臨床実装に向けた技術の発展につながることが期待されるとしている。実用化のイメージとして、医療アクセスの乏しい中・低所得国や、鉄欠乏性貧血をきたしやすい小児・妊婦などでの簡便な貧血スクリーニングへ応用できると考えているという。
※1 セグメンテーションモデル
画像の各ピクセルがどのクラスに属しているか分類することで、物体毎の領域を認識・抽出する画像解析技術。
※2 Grad-CAM 勾配加重クラス活性化マッピング（gradient-weighted class activation mapping）の略で、 深層学習を用いた画像解析モデルにおいて、画像のどの部分が重要であるかを解析・可視化する手法。