ディープラーニングベース画像分析はクリックするだけ

November, 11, 2021, Lausanne--EPFLイメージングセンタのイニシアチブ下で､EPFLとUniversidad Carlos III de Madrid(UC3M)のエンジニアリングチームは､ライフサイエンス研究向けに人工知能(AI)を画像分析に簡単に組みこめるプラグインを開発した｡deepImageJと言うプラグインは､Nature Methodsに発表された｡

過去5年で､画像分析は､従来の数学的､観察ベースの方法からデータ駆動型処理とAIへ移行した｡この主要な開発により､あらゆる研究分野で､画像の有益情報の検出と特定が容易に､高速になり､また自動化が進んだ｡ライフサイエンスでは､ディープラーニング(DL)が､生体画像分析で可能性を高めている｡しかし､DLモデルの利用は､ライフサイエンス研究者には馴染みのないコーディングスキルを必要とすることがよくある｡そのプロセスを簡単にするために､EPFLとUC3Mの分析専門技術者は､EPFLのCenter for Imagingと連携して､オープンソースプラグイン､deepImageJを開発した｡

バイオメディカル研究におけるニューラルネットワークの利用
　ディープラーニングモデルは､診断や創薬などイメージングに依存する多くの分野にとって大きなブレイクスルーである｡例えば､バイオイメージングでは､ディープラーニングを使って､膨大な画像集積を処理し､有機組織の病変を検出し､神経細胞間のシナプスを特定､細胞膜や核の構造を判定する｡画像の認識や分類､特異要素の判定､実験結果の予測には最適である｡

このタイプの人工知能は､膨大な量の事前注釈付データを利用することでタスクを実行するようにコンピュータのトレーニングを必要とする｡それは顔認識を行うCCTVシステムと似ている｡あるいは、写真を強化するモバイルカメラアプリに類似である｡ディープラーニングモデルは､高度なコンピュータアーキテクチャ､人工ニューラルネットワークをベースにしている｡これは､特定の研究目的のためにトレーニングすることができる｡ある種の細胞あるいは組織の病変の認識､あるいは画像品質の改善など｡訓練されたニューラルネットワークは､次にコンピュータモデルに供給される｡

人工知能だが､コード不要
　バイオメディカルイメージング向けにヨーロッパ研究者コソーシアムは､これら事前にトレーニングされたモデルのレポジトリ､BioImage Model Zooを開発している｡｢これらのモデルをトレーニングするためには､研究者は特定のリソースと技術知見､特にPthonコーディングが必要になるが､多くのライフサイエンティストにはない｡しかし､理想的には､これらモデルは全ての人々が利用可能でなければならない｣とdeepImageJ開発を監督しているEPFLのCenter for Imagingkのエンジニア､Daniel Sageは､話している｡

DeepImageJプラグインは､人工ニューラルネットワークとそれを使う研究者のギャップをブリッジする｡現在､ライフサイエンティストは､コンピュータエンジニアに聞いて､特定のタスクを実行するためにマシンラーニングアルゴリズを設計､トレーニングする｡今度は､研究者は､ユーザインタフェースで簡単に実行することができる､一行のコードさえ見る必要がない｡そのプラグインはオープンソース､無料であり､コンピュータサイエンスやバイオメディカル研究の発表で新開発の普及を促進する｡それは共同リソースとなるように設計されており､エンジニア､コンピュータサイエンティスト､数学者生物学者の協働を一段と効率的にできる｡例えば､EPFL Masterの学生が先頃開発したモデルは学際的なチームの一部となっており､研究者は組織切片でマウスの細胞から人の細胞を区別することができる｡

研究者はユーザもトレーニングできる
　世界中のライフサイエンティストが数年来､そのようなシステムを望んでいたが､EPFLのCenter for Imagingが取り組むまで､それを構築する課題に着手したものは誰もいなかった｡

可能な限り多くの研究者がそのプラグインを使えるようにグループはバーチャルセミナを開発し、材料やオンライリソーストレーニングを実施している｡AIの全潜在力の活用を促進するためである｡これらの材料は､プログラマーとライフサイエンス研究者を念頭に設計されている｡ユーザが、その方法を迅速に理解できるようにするためである｡DeepImageJは､スイスのライフサイエンティスト向けにZIDASで紹介される｡
(詳細は､https://actu.epfl.ch)