医療分野における機械学習での画像解析！
ハイパースペクトルカメラが研究に貢献

近年、AI（人工知能）の各業界への導入が進んでおり、医療では、特に病理診断や放射線診断の領域で積極的な開発が行われています。

「良性と悪性の判別」など、AIが判断を下すためには、機械学習が欠かせません。
機械学習を用いることで「特定のタスク」を実行することができます。

今回は、医療分野での、機械学習による「画像解析」の研究事例を2つご紹介します。

• アルツハイマー病の早期発見
• 皮膚がんの診断（色素性皮膚病変の分類）

当ページでは、機械学習とも相性の良い「ハイパースペクトルカメラの画像解析」についてまとめました。

前半では、基本となる「ハイパースペクトルカメラのデータ分析」についてお伝えします。
後半では、2つの研究事例（アルツハイマー病の早期発見、皮膚がんの診断）をご紹介します。

ハイパースペクトルカメラのデータ分析

ハイパースペクトルカメラは「光を何百もの波長（スペクトル）に分光して撮影できるカメラ」です。

「分光」して撮影できる点がポイントです。

スペクトルデータからわかること

スペクトルデータ（波長ごとの強度）を見ることで、次のようなことが可能になります。

• 悪性腫瘍を識別する
• 画像から細胞核を検出する

これらを実現するためには「物質の特定」が必要ですが、なぜ光の波長情報（スペクトルデータ）から「物質の特定」が可能なのでしょうか？

それは「物質ごとに吸収・反射する波長」が、異なるからです。

例えば、レモンは黄色、リンゴは赤色に見えますが、これは、レモンが「黄色い波長の光（550-590 nm）」を、また、リンゴが「赤い波長の光（640-770 nm）」を反射しているからです。
このように、反射光・吸収光は、物質によって違います。

それぞれの物質によって吸収・反射する光の波長が異なるだけでなく、それは物質ごとに「一定のパターン」を示します。このような「物質に特有の吸収・反射のスペクトルパターン」を、スペクトルシグネチャ（Spectral signature）と言います。

こちらは、皮膚がんの診断研究（後述の「研究事例」で紹介）で用いられた「正常な肌」と「色素性皮膚病変（良性・悪性）」のスペクトルデータです。

同じ色素性皮膚病変でも「良性」と「悪性」では、グラフの傾きの微妙な違いが見て取れます。
そして「正常な皮膚」の場合は「色素性皮膚病変」に診断されたスペクトルデータとは明らかに異なるパターンを示しています。

このようにスペクトルデータから「波長ごとの強度」が読み取れるため、物質に特有の分光パターン（スペクトルシグネチャ）を判別できます。

スペクトルシグネチャによって、悪性腫瘍の識別や、「細胞核」と「その他細胞を構成する物質」を区別できる（細胞核のカウントが可能）ことから、ハイパースペクトルカメラは様々な用途に応用されています。

スペクトルデータと機械学習

ハイパースペクトルカメラのデータ（スペクトルデータ）は、機械学習で解析できます。
機械学習は様々な分野で活用されていますが、「スペクトル解析」でも新たな解析手法の一つとして、注目されています。

機械学習を用いたスペクトル解析には、大まかに「分類」と「回帰」の2つがあります。

実際の解析では、まず、モデルを作成します。
モデルとして、データセット（※1）を入力します。このデータセットによって「撮影データと各ピクセルが何に分類されるのが正解か」を機械に覚えさせることができます。

（※1）データセット：データの集合。この場合は「機械に覚えさせるための正解データ」の集合を指す。

モデルの作成によって、対象を分類したり、定量値を求める、といった「結果」が得られます。

次に、モデルでの分類や回帰の結果の「精度」を改善します（モデル改善）。
「期待通りの結果が得られない箇所」の原因を確認し、データの追加等を行って精度を高めていきます。

ハイパースペクトルカメラの医療分野の研究事例

ここからは、具体的な研究事例をご紹介します。

アルツハイマー病の早期発見

ハイパースペクトルカメラで「網膜に蓄積されたタンパク質（アミロイドβ）（※2）」を検出した研究です。

当研究では、ハイパースペクトルカメラで「目（網膜）」を撮影しました。

網膜は機能性、障害への反応、免疫学の観点から、脳や脊髄と類似しています。したがって、目は従来の「高価かつ侵襲的な検査」を必要とせずに、中枢神経系にアクセスできる窓口になり得ます。

さらに近年では、アルツハイマー病患者における「網膜の変化」に注目した研究が行われており、神経網膜の菲薄化と神経節細胞の変性、電気的反応の異常、網膜灌流の低下、微小血管の変化、さらにアミロイドβ40/アミロイドβ42ペプチドとpTauの網膜レベルの上昇を指摘するデータが増えています。[参考:1,2,3,4]

当研究では、アルツハイマー病患者と、他のグループを区別する「分類モデル」を構築しました。

こちらが撮影環境です。

分析には、ハイパースペクトルイメージング（スペクトルデータの分析技術）に加え、光コヒーレンス・トモグラフィー（OCT）という2つの方法（技術）が用いられました。

分析は次のようなプロセスで行われました。

こちらのプロセスは、大きく3つに分けられます。

1. 「OCT」による網膜神経線維層の厚さ解析
2. 「ハイパースペクトルイメージング」によるアミロイドβの解析
3. 「機械学習」による1、2のデータを用いたトレーニング・評価

研究では、アルツハイマー病の患者17人と、対照群22人のデータを分析しました。

神経変性の兆候である「網膜神経線維層の菲薄化」を定量化して評価するために、OCTを用いて、網膜神経線維層（RNFL：Retinal nerve fiber layer）の厚さの解析が行われました。

さらに、ハイパースペクトルイメージングによって「アミロイドβとの関連が推定される網膜のスペクトルシフト」を検出することで、網膜におけるアミロイドβの蓄積を定量化します。

緑の箇所、ROIデータ（上：S1,S2領域、下：I1,I2領域）は、機械学習によるトレーニング・評価に使用されます。

こちらは、機械学習によって「疾患なし」を0、「疾患あり」を1と判定させた際の、判定の出力値（アルツハイマー病の確率）の分布です。

実際のデータは、疾患の有無によって、0（疾患なし）と1（疾患あり）で、すっぱりと割り切れるものではなく、0.4等の半端な数値が出力されることが多いです。

今回の研究では、17人の「アルツハイマー病患者」のうち9人はスコアが1に近く、22人の「対照群」のうち15人はADである確率が0に近いといった結果になりました。

こちらは、ROC曲線（※4）のデータです。

（※4）ROC曲線は、閾値（疾患あり・なしの区別を0〜1のどこに設定するか）を変更した際の、真陽性率 （TPR）と偽陽性率 （FPR）の値の分布を表しています。

こちらの分類モデルは、ハイパースペクトルカメラとOCTの測定値を用いて、75～80%の確度で判定できます。ある程度の確度でアルツハイマー病患者と、他のグループを区別できることがわかります。

分類モデルは、国際的に有名な「Alzheimer’s Research and Therapy Journal」に掲載されました。

さらに研究は進められており、実用化が期待されています。
というのも、このシステムは「安全性」と「利便性」が高いためです。

また、ハイパースペクトルイメージングとOCTを組み合わせた手法なら、アルツハイマー病を比較的安価に、非侵襲的に診断できます。加えて、効果的な治療ができる可能性が高い初期段階において、診断できる可能性があります。（※4）

（※4）現状のアルツハイマー病の診断は、アミロイドPETや脳脊髄液（CSF）バイオマーカー分析などの高価で侵襲的な手法で行われており、診断がつくのは、患者がすでに記憶障害を起こしている（末期状態）場合が多いです。

こうした安全性と利便性に加え、このシステムは更なる大掛かりな開発を必要としないため、ベルギーのMONA社など、世界のいくつかの企業が、すでにこの技術の商業化に踏み出しています。

皮膚がんの診断（色素性皮膚病変の分類）

ここからは、ハイパースペクトルカメラのデータ分析によって、色素性皮膚病変（PSL：pigmented skin lesions）を「良性PSL」と「悪性PSL」に分類した研究をご紹介します。

研究の結果、悪性PSLと良性PSLの識別において、感度87.5%という正確度で分類できました。

機材及びシステム構成は次の通りです。

ハイパースペクトル画像のPSLの分類には、大きく分けて、3段階の処理が必要です。

1. データの前処理
2. 正常な皮膚とPSLの識別（セグメンテーション）
3. 良性と悪性の分類

当研究では、これらを臨床支援のための「ハイパースペクトル皮膚科学フレームワーク」として提案しています。

第1段階では、まずデータの前処理を行います。

第2段階では、前処理を施したハイパースペクトル画像を、教師なしアルゴリズムを用いて「正常な皮膚」と「PSL」に画素レベルで（ピクセルごとに）識別します。

第3段階では、分類アルゴリズムを使って、PSLデータを「良性」と「悪性」に分類します。

つまりPSLが良性か悪性かを判断するためには「正常な皮膚とPSLに分類する」→「PSLを良性・悪性に分類する」といった2段階の処理が必要です。

さて、ここから詳細の解説に入ります。

まず撮影データをデータセットに分類し、分析できるように前処理を行います。
データセットは、トレーニングセット、検証セット、テストセットに分類します。（以下では、テストセットのデータ：を示します。）

次に、ハイパースペクトル画像中のピクセルを「正常な皮膚」と「PSL」に識別します。

「PSLを正確に良性・悪性に分類すること」が最終的な目的ですが、そもそも画像中の「正常な皮膚」と「PSL」を識別できなければ、良性・悪性に分類できないため、分類する処理（セグメンテーション）が必要になります。

セグメンテーションとは「画像をオブジェクトに分割するタスク」を指します。

（※3）ハイパースペクトル画像データは、K-meansクラスタリングアルゴリズム（k=7）とSAM（Spectral Angle Mapper）アルゴリズムを元にした「ピクセル単位」の手法で分析され、モルフォロジー処理が施されました。

セグメンテーションが終わると、次は、いよいよ「良性と悪性の分類」です。
前の工程で「PSLピクセル」に分類されたデータを、分類アルゴリズム（教師あり）を使って、良性と悪性に分類します。

その結果、ハイパースペクトル画像（P14_C1、P23_C1、P69_C1、P74_C1、P97_C1、P107_C1）は、PSLの識別において「平均85%」の高精度で分類できました。

しかし、PSLを識別できないデータ（P28_C1、P100_C1）や、分類の精度が低いデータ（P13_C1、P102_C1）もありました。

ここから次のような課題が見えてきます。

• セグメンテーションができない：分類に適した撮影データが必要
• 分類の精度が低い：より一般化するためにデータ数を増やす必要がある

このように、いくつか課題はありますが、高い精度で分類できた点は有望です。

さらに、悪性病変の識別に40%のリスク閾値を用いたところ、セグメンテーションが可能だったハイパースペクトル画像8枚のうち7枚（87.5%）がPSLの病理診断に従って正確に分類されました。

ポイントは、この研究結果が「トレーニングセット、検証セット、テストセットにデータを分けるという厳密な検証方法によって得られた」という点です。
「テストセットは処理モデルの生成に関与していない患者からのデータ」で構成されています。
このため、オーバーフィッティングを発生させることのない、信頼できる結果と言えます。

ハイパースペクトルカメラの強み

「ハイパースペクトルカメラの強み」は、撮影したスペクトルデータから「スペクトルシグネチャ」を読み取れることです。

スペクトルデータを見ることで、通常のカメラ（RGBカメラ）ではできない、精密な分析ができます。
もちろん、皮膚がんに限らない、他の悪性腫瘍の識別も可能です。

さらに研究事例でもご紹介した通り、スペクトルデータと「機械学習」を組み合わせることで、良性・悪性を分類し判断を下す、といった、より実用的な使い方が可能になります。

例えば、ハイパースペクトルカメラは、肉眼では見えない情報をリアルタイムで提供できるため、外科手術をサポートする用途での活用もできます。
こちらが「誘導手術中の人間の脳のハイパースペクトル画像」です。

現在、ハイパースペクトルカメラを用いた研究開発が進められています。

将来的には、診断を補助するツールとしてハイパースペクトルイメージングを活用した装置・システムが市場に登場するかもしれません。

関連情報

ここでは「機械学習を学びたい」、「ハイパースペクトルカメラをもっと知りたい」という方に向けて、機械学習とハイパースペクトルカメラにまつわる、関連情報へのリンクをご紹介します。

機械学習・スペクトル解析を学ぶ

機械学習を使ったスペクトル解析（ハイパースペクトルカメラのデータ分析）について基本から解説したコンテンツです。

機械学習/ディープラーニングを活用したスペクトル解析

ソフトウェアでの分析の様子を解説したコンテンツです。
「1ピクセルごと」に、何百ものスペクトルデータを見れる、ハイパースペクトルカメラのデータ分析の様子を視覚的にご確認いただけます。

【動画あり】ハイパースペクトルカメラPika実演！データ分析

ハイパースペクトルカメラを知る

ハイパースペクトルカメラのデータや、撮影方式について、基本から解説したコンテンツです。

そもそもハイパースペクトルカメラとは

さらに、KLV大学「ハイパースペクトルカメラコース」には、基礎から用途例、研究例まで、多数の情報がまとまっていますのでご参考ください。

研究事例の関連製品をご紹介

上述の研究事例と関連する製品をご紹介します。

他にも、多数のハイパースペクトルカメラを取り扱っております。

ハイパースペクトルカメラ製品一覧

弊社（ケイエルブイ株式会社）はハイパースペクトルカメラの導入実績が豊富にございます。
豊富な経験をもとに、お客様の用途に合わせた、最適な一台をご紹介いたします。

また弊社はハイパースペクトルカメラの専門家として「データ分析」でもお客様をサポートできます。
ソフトウェアの基本的な使い方を始め、機械学習を使ったスペクトルデータ分析にも知見がございます。

お気軽にご相談ください。

お問い合わせ

参考

[1]Hart NJ, Koronyo Y, Black KL, Koronyo-Hamaoui M. Ocular indicators of Alzheimer’s: exploring disease in the retina. Acta Neuropathol. 2016.

[2]Kusne Y, Wolf AB, Townley K, Conway M, Peyman GA. Visual system manifestations of Alzheimer’s disease. Acta Ophthalmol. 2017.

[3]Lim JKH, Li QX, He Z, Vingrys AJ, Wong VHY, Currier N, et al. The eye as a biomarker for Alzheimer’s disease. Front Neurosci. 2016.

[4]La Morgia C, Ross-Cisneros FN, Koronyo Y, Hannibal J, Gallassi R, Cantalupo G, et al. Melanopsin retinal ganglion cell loss in Alzheimer disease. Ann Neurol. 2016.