鎌状赤血球の形態解析：AIによる高精度な2段階アプローチ

August 30, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Decoupling detection and classification to improve morphological phenotype analysis of sickle red blood cells in full-scope microscopy
Biomedical Signal Processing and Control｜被引用数: 0（2026年8月30日時点）

鎌状赤血球症 (SCD) における赤血球 (RBC) の形態解析は、疾患の病態や治療効果の評価に不可欠です。しかし、AIモデルを用いた自動分類では、密集した細胞や多様な形態を含む顕微鏡画像全体 (フルスコープ画像) の分析が困難でした。本研究では、この課題を克服するため、検出と分類を分離した新しい2段階の計算フレームワークを提案し、特に少数派の形態でも高い精度で分類することに成功しました。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の顕微鏡画像と確立されたAI技術を活用するため、臨床応用の実現可能性が高い。
Ethical倫理面	鎌状赤血球症の診断・治療に貢献し、対象者の健康管理に役立つ可能性を秘めている。
Interesting面白さ	フルスコープ画像での検出と特に少数派形態の微細な分類精度向上は新たな知見を提供する。
Novel新規性	検出と分類を分離する2段階フレームワークにより、困難な形態学的分類を大幅に改善した点で新規性がある。
Relevant切実さ	鎌状赤血球症の病態解明や治療効果評価に直結し、臨床および研究に大きな影響を与える。
Measurable測定可能性	F1スコア、精度、適合率、再現率、mAPなど客観的な指標でモデル性能を厳密に評価している。
Modifiable派生・改善	検出器や分類器のアーキテクチャ変更、不均衡戦略の調整が可能で応用性が高い。
Structured文章構造	データセット構築、モデル評価、不均衡戦略、2段階フレームワークの導入と評価が論理的に構成された研究。
PICO / PECO対象・介入・比較・結果	P(鎌状赤血球症のRBC形態分類), I(検出・分類分離2段階AI), C(単一ステップAI), O(高精度な形態分類)。

はじめに：鎌状赤血球の形態解析とAIの現状

どうも、Beyond the Pixelです。今回は、鎌状赤血球症 (SCD) の診断と治療に不可欠な赤血球 (RBC) の形態解析について、最新のAI技術がどのように貢献できるかを探る論文をご紹介します。顕微鏡を用いたRBCの形態解析は、SCDの形態学的表現型（生物の形質や特性のうち、肉眼や顕微鏡で観察できる形態的な特徴）を理解する上で広く用いられています。近年、AIモデルがこの分類プロセスを自動化するために開発されてきましたが、これらのモデルのほとんどは、あらかじめ切り取られた単一細胞画像で学習されています。そのため、細胞が密集して存在し、多様な形態を示すフルスコープ顕微鏡画像（顕微鏡の視野全体を捉えた画像で、多くの細胞が密集して写っていることが多い）に対しては、正確な検出と詳細な分類の両方が求められるため、うまく機能しないという課題がありました。このような背景から、本研究では、フルスコープ顕微鏡画像から個々のRBCを識別し、5つの形態カテゴリ（円盤状赤血球（DO）、棘状赤血球（E）、細長赤血球および鎌状赤血球（ES）、顆粒細胞（G）、網状赤血球（R））に分類するためのエンドツーエンドの計算フレームワークを提案しています。

密集細胞画像の課題と2段階フレームワークの提案

バイオメディカル画像（生物医学画像）は、一般的にAIモデルの学習に用いられる自然景観画像と比較して、空間分解能が低く、バックグラウンドノイズが多く、照明が不均一で、物体と周囲の媒体とのコントラストが低いといった課題があります。さらに、バイオメディカル画像の分類では、形状、表面の質感、強度分布における微妙な違いに基づいて、同じ物体カテゴリ内の形態学的変異を区別する必要があるため、より困難です。既存の物体検出モデル（YOLOやDETRなど）は、複数の物体を局所化しリアルタイムで推論を行うことを目的として最適化されているため、微細な形態学的違いを捉えるのには不十分である可能性があります。特に、検出と分類のタスクが特徴表現を共有する場合、バウンディングボックス回帰（物体の位置を特定するタスク）が学習を支配し、微細な分類に必要な位置に敏感なテクスチャ情報が抑制される傾向があります。また、少数派の表現型が訓練インスタンスのごく一部を占めるクラス不均衡（データセットにおいて、特定のカテゴリのサンプル数が他のカテゴリに比べて著しく少ない状態）も、この課題をさらに悪化させます。
このような課題に対処するため、本研究では、細胞の局所化（検出）と形態学的分類を完全に分離する2段階フレームワークを提案しています。まず、YOLOベースの検出器がフルスコープ画像から個々の細胞を特定して切り抜き、次に、微調整されたDenseNet121アンサンブル分類器が、各細胞を5つの形態学的カテゴリのいずれかに割り当てます。このアプローチにより、分類器は局所化の目的と競合することなく、少数派の表現型を区別するテクスチャおよび境界特徴に完全に焦点を当てることができます。

データセットの構築と評価

本研究では、Xu et al. [48]で収集された鎌状赤血球の画像データセットを活用しました。これは、2つの異なる医療施設から収集された8人のSCD対象者の497枚の高解像度フルスコープ顕微鏡画像で構成されています。これらの画像は、Zeiss社製倒立顕微鏡と63倍油浸対物レンズ、Sony Exmor CMOSセンサーを用いて1920×1080ピクセルの解像度で取得されました。画像からは、31,297個の個々のRBC画像が抽出され、5つの形態学的表現型に分類されました。これらの表現型は、円盤状赤血球（DO; Discocytes & Ovalocytes）、細長赤血球および鎌状赤血球（ES; Elongated & Sickle cells）、棘状赤血球（E; Echinocytes）、顆粒細胞（G; Granular cells）、網状赤血球（R; Reticulocytes）です。

**Figure 1.** Figure 1: Images of sickle RBCs captured under full-scope bright-field microscopy from Xu et al. [48], showing a relatively sparse (A) and dense (B) population of RBCs. (C) Representative single-cell images of the five-class RBC phenotypes, cropped from full-scope microscopic images (A-B). The five phenotypes include DO (Discocytes & Ovalocytes), ES (Elongated & Sickle cells), E (Echinocytes), G (Granular cells), and R (Reticulocytes).解説: フルスコープ明視野顕微鏡で撮影された鎌状赤血球の画像です。(A)比較的細胞がまばらに分布している画像、(B)細胞が密集して分布している画像、(C)フルスコープ画像から切り抜かれた5つのRBC形態学的表現型の代表的な単一細胞画像が示されています。これにはDO（円盤状赤血球）、ES（細長赤血球および鎌状赤血球）、E（棘状赤血球）、G（顆粒細胞）、R（網状赤血球）が含まれます。

は、フルスコープ顕微鏡画像と、各形態カテゴリの代表的な単一細胞画像を示しています。人の手による細胞レベルの注釈はRoboflowプラットフォームを用いて497枚の画像に行われ、合計30,991個の注釈付き細胞が生成されました。公正な評価のため、100枚の画像がモデル評価に使用され、残りの397枚は検出モデルと下流の分類器の微調整に用いられました。

**Table 1.** Table 1: Number of manually labeled single-cell images across RBC classes cropped from the 397 full-scope images.解説: 397枚のフルスコープ画像から切り抜かれたRBCクラスごとの手動でラベル付けされた単一細胞画像の数を示しています。切り抜き、ダウンサンプリング、クリーンアップされた画像の数が各クラスと合計で示されています。

に示されているように、397枚の注釈付き画像から24,688枚の単一細胞画像が切り取られ、DOとESクラスは過学習を防ぐためにランダムにダウンサンプリングされました。最終的に3,079枚の高品質な単一細胞画像が分類モデルの学習に使用されました。
提案フレームワークの評価は、細胞レベルの形態分類、物体検出、計算効率の3つの側面から行われました。分類性能は精度、平均適合率（Precision）、平均再現率（Recall）、F1スコア（精度と再現率の調和平均）を用いて評価され、5分割交差検証（5-fold cross-validation）で統計的な信頼性を確保しました。検出性能はCOCOスタイルの平均適合率（AP）と平均mAP（mAP@0.5とmAP@0.5:0.95）を用いて評価されました。

単一ステップ検出・分類モデルの性能と限界

最初に、YOLOファミリー（YOLO11、YOLO12、YOLO26の様々なバージョンとスケール）とDETRファミリー（RT-DETR、RF-DETRの各種モデル）の両方から、複数の世代とモデルサイズを評価し、包括的な性能比較を行いました。

**Table 2.** Table 2: Per-class one-step detection and classification performance across various YOLO and DETR models. The best results within each class block are highlighted in bold.解説: 様々なYOLOおよびDETRモデルにおけるクラスごとの単一ステップ検出および分類性能を示しています。適合率、再現率、mAP@50、mAP@50:95の値がDO、E、ES、G、Rの5クラスについて報告されており、各クラスブロック内で最良の結果が太字で強調されています。

は、これらのYOLOおよびDETRベースのモデルのクラスごとの検出および分類性能を示しています。データセットは、DOが最も多く（80画像で4354インスタンス）、次いでES（796）、E（207）、G（139）、R（105）と、クラス間に明確な不均衡があることが分かります。DOクラスでは、すべてのモデルが高い性能を達成しており、これは多数の学習インスタンスが反映されています。しかし、少数派の表現型（E、G、R）では、適合率と再現率の両方で大幅な低下が見られました。例えば、GクラスではRF-DETR NanoがmAP@50で0.933と高い値を示していますが、他のモデルでは大幅に低下する場合があります。Rクラスも同様に、インスタンス数が少ないため、モデル全体で性能が控えめでした。この結果は、学習インスタンス数の減少に伴いモデルの性能が低下することを示しており、YOLOおよびDETRモデルを用いた少数派の表現型の正確な検出と分類におけるクラス不均衡の影響を浮き彫りにしています。

クラス不均衡対策の検討とその効果

クラス不均衡がフルスコープ画像解析における形態検出の主要な制限要因であるため、本研究ではいくつかの不均衡緩和戦略（不均衡データの課題を軽減するための手法）を検討しました。具体的には、クラス重み付け損失（class-weighted loss）、Focal Loss（特定の難しいサンプルや少数派サンプルに焦点を当てて学習する損失関数）、画像レベルのオーバーサンプリング（少数派クラスの画像を複製して数を増やす）、ターゲットコピー＆ペースト拡張（少数派クラスのパッチを画像に貼り付ける）、レアクラスクロッピング（少数派クラスのインスタンスを中心に画像を切り抜く）の5つのアプローチを評価しました。

**Figure 2.** Figure 2: Three strategies to mitigate class imbalance of sickle RBCs captured in full-scope images. (A) Original microscopy scope exhibiting an imbalanced class distribution. (B) Image-level over- sampling increases the sampling frequency of images containing rare morphologies without altering pixel content. (C) Targeted copy–paste augmentation inserts rare-cell patches into feasible loca- tions; red boxes indicate pasted instances. (D) Rare-class cropping produces centred crops from full-scope images around rare instances to increase their visual prominence during training.解説: フルスコープ画像で撮影された鎌状赤血球のクラス不均衡を緩和するための3つの戦略を示しています。(A)元の顕微鏡視野は不均衡なクラス分布を示しています。(B)画像レベルのオーバーサンプリングは、少数派の形態を含む画像のサンプリング頻度を増加させます。(C)ターゲットコピー＆ペースト拡張は、少数派の細胞パッチを画像内の実行可能な位置に挿入します（赤色のボックスは貼り付けられたインスタンスを示します）。(D)レアクラスクロッピングは、少数派のインスタンスを中心としたフルスコープ画像から中央を切り抜き、トレーニング中の視覚的な突出を増加させます。

は、これらの不均衡緩和戦略の概要を示しています。

**Table 3.** Table 3: Impact of imbalance mitigation approaches on per-class detection performance tested on the RF-DETR medium model. Metrics are reported in percent. Best performance in each column is shown in bold.解説: RF-DETR Mediumモデルでテストされた不均衡緩和アプローチがクラスごとの検出性能に与える影響を示しています。mAP@50とmAP@50:95の指標が、DO、E、ES、G、Rの各クラスについて報告されており、各列で最良の性能が太字で強調されています。

は、RF-DETR Mediumモデルに適用した際のクラスごとの検出性能を示しています。
DOクラス（多数派クラス）では、すべての手法で非常に類似した結果が得られ、mAP@50の値は96%前後でした。これは、不均衡緩和手法が十分に表現された多数派クラスには限定的な影響しか与えないことを示唆しています。Eクラスでは、クラス重み付けがmAP@50（88.96%）およびmAP@50:95（68.07%）の両方で最高の性能を達成しました。ESクラスでは、ベースラインモデルが最も高い性能を示し、追加の不均衡処理がこの中程度に表現されたクラスには顕著な改善をもたらさないことを示唆しています。より困難なGおよびRクラスでは、より大きな違いが現れました。GクラスではFocal Lossが、Rクラスではコピー＆ペーストが最も顕著な改善をもたらしました。

**Figure 4.** Figure 4: Trade-off between overall detection performance and minority-class accuracy across the five imbalance-mitigation strategies applied to RF-DETR Medium. Each point represents one strategy. The x-axis reports the overall mAP@0.5 across all five classes; the y-axis reports the average mAP@0.5 over the three minority phenotypes (E, G, and R). Strategies in the upper-right region achieves high performance on both overall and minority classes simultaneously. Copy-paste augmentation achieves the best trade-off, while oversampling and rare-crop degrade performance on both axes.解説: RF-DETR Mediumモデルに適用された5つの不均衡緩和戦略における、全体的な検出性能と少数派クラスの精度の間のトレードオフを示しています。各点は1つの戦略を表し、x軸は5つのクラス全体のmAP@0.5を、y軸は3つの少数派表現型（E、G、R）の平均mAP@0.5を示します。図は、コピー＆ペースト拡張が最適なトレードオフを達成し、オーバーサンプリングとレアクラスクロッピングが両方の軸で性能を低下させることを示しています。

は、不均衡緩和戦略が全体的な性能と少数派クラスの精度のバランスにどのように影響するかを示すトレードオフ図です。コピー＆ペースト拡張は、少数派の性能を向上させつつ、全体的な検出精度を犠牲にしない最適なトレードオフを達成しました。対照的に、オーバーサンプリングとレアクラスクロッピングは、全体的な性能と少数派の性能の両方を低下させました。
これらの結果は、Focal Lossやコピー＆ペースト拡張のような軽量な不均衡対応手法が、多数派クラスの性能を低下させることなく少数派表現型の性能を改善できるものの、これらの改善の度合いは限定的であることを示しています。この限定的な効果は、YOLOやDETRのような検出指向のモデルのアーキテクチャ設計に起因していると考えられます。これらのモデルは、バウンディングボックス回帰と物体レベルの識別を重視し、複数の物体検出とリアルタイム推論のために最適化されているため、特に学習サンプルが限られた希少なカテゴリにおいて、RBC表現型の識別に必要な微細なクラス内形態学的違いを捉えるのに効果が低い可能性があります。

提案する2段階フレームワークの優位性

YOLOおよびDETRモデルで観察されたRBC表現型分類における性能不足は、本研究が提案する2段階フレームワークの動機付けとなっています。このフレームワークでは、まずフルスコープ画像内でRBCが局所化され、切り抜きによって標準化された後、単一細胞レベルで分類されます。

**Figure 3.** Figure 3: Overview of the proposed two-step pipeline for the detection and classification of sickle RBCs within full-scope microscopic images. The detection model first localizes and crops individual cells from full-scope microscopy images, followed by a fine-tuned classifier that assigns each cell to one of five morphological categories. The labels will be passed back to the full-scope images for visualization.解説: フルスコープ顕微鏡画像内の鎌状赤血球の検出と分類のための提案された2段階パイプラインの概要を示しています。検出モデルがフルスコープ画像から個々の細胞を局所化して切り抜き、次に微調整された分類器が各細胞を5つの形態学的カテゴリのいずれかに割り当てます。ラベルはフルスコープ画像に戻され、可視化されます。

に示されているように、検出から形態識別を分離することで、分類ネットワークは検出とカテゴリ分類の両方を共同で最適化するのではなく、詳細な形態学的特徴に専念することができます。これにより、鎌状赤血球の5つの表現型における微妙な違いを捉えるモデルの能力が向上します。

ステップ1: 高精度な赤血球の検出

検出モデルを決定するために、3つの検出器のクラスアグノスティック（クラスに依存しない）な局所化精度と推論効率を比較しました。に示されているように、YOLO26nは最高のRecall@0.75（0.9830）と比較的低いレイテンシ（8.26ミリ秒/画像）を達成し、YOLO11nがそれに続きますが、RF-DETR Nanoは低いRecallと大幅に高いエンドツーエンドのレイテンシを示しました。YOLO11nの長い後処理時間（NMSが必要なため）に対し、YOLO26nとRF-DETR NanoはNMSフリー（重複するバウンディングボックスを抑制する処理が不要）設計を採用しているため、後処理が高速です。しかし、RF-DETR NanoはTransformerベースであるため、推論オーバーヘッドが大きく、YOLOモデルよりもGPU推論が遅くなります。局所化精度と実行時間の両方を考慮し、YOLO26nが私たちの2段階検出・分類パイプラインの検出器として選択されました。

ステップ2: 精緻な形態学的表現型の分類

2段階目のステップでは、YOLO26nによってフルスコープ画像から切り抜かれた細胞画像が、5つのサブタイプ（DO、E、ES、G、R）を識別するために事前学習された分類器に入力されます。分類器として最も適切なアーキテクチャを決定するため、ResNet18、ResNet50、DenseNet121、EfficientNet-B3、Vision Transformer (ViT)の5つのディープラーニングモデルの性能を評価しました。

**Figure 5.** Figure 5: Performance comparison of five CNN-based and transformer-based models (DenseNet121, EfficientNet-B3, ViT, ResNet50, and ResNet18) in terms of macro-averaged precision, recall, and F1-score on the RBC morphology classification task, averaged over 5-fold cross-validation. DenseNet121 achieves the highest performance across all three metrics.解説: RBC形態分類タスクにおける5つのCNNベースおよびTransformerベースモデル（DenseNet121、EfficientNet-B3、ViT、ResNet50、ResNet18）の性能比較を、5分割交差検証で平均したマクロ平均の適合率、再現率、F1スコアで示しています。DenseNet121が3つの指標すべてで最高の性能を達成しています。

は、マクロ平均の適合率、再現率、F1スコアの3つの評価指標に基づいたこれらのモデルの性能比較を示しており、DenseNet121が3つの指標すべてで他のモデルを上回ることを示しています。

**Table 5.** Table 5: Performance comparison of five cell classification models (5-fold cross-validation average). Best values are bolded per-class F1. P/R/F1 denote precision/recall/F1-score.解説: 5つの細胞分類モデル（5分割交差検証平均）の性能比較を示しています。DO、E、ES、G、Rの各クラスにおける適合率（P）、再現率（R）、F1スコアが報告されており、クラスごとのF1値の最良値が太字で強調されています。

は、5つのRBC形態カテゴリにおける5つのモデルすべてのクラスごとのF1スコアを示しています。DenseNet121は5クラス中4クラス（DO、E、ES、G）で最高のF1スコアを達成し、このタスクにおける全体的な優位性を示しました。ResNet18はRクラスでわずかにDenseNet121を上回る最高の性能を達成しました。すべてのモデルで、Eクラス（棘状赤血球）がF1スコアが最も低く、形態学的曖昧さが高く、他の細胞タイプと区別するのがより困難であることを示唆しています。対照的に、ESクラスとGクラスはすべてのモデルで最高のF1スコアを達成し、これらのカテゴリの形態学的特徴がより識別しやすいことを示しています。

誤分類セルの詳細分析とフレームワーク全体の評価

最も性能の高い分類器であるDenseNet121による誤分類セルをさらに分析し、分類モデルが直面する課題を評価しました。

**Figure 6.** Figure 6: Performance of DenseNet121 on the five-class classification task. (A)Confusion matrix aggregated over 5-fold cross-validation, with rows denoting true labels and columns denoting pre- dicted labels. (B) Per-class mean precision, recall, and F1-score across 5-fold cross-validation for classes DO, E, ES, G, and R.解説: DenseNet121の5クラス分類タスクにおける性能を示しています。(A)5分割交差検証で集計された混同行列で、行は真のラベルを、列は予測されたラベルを示します。(B)DO、E、ES、G、Rクラスにおける5分割交差検証全体でのクラスごとの平均適合率、再現率、F1スコアを示しています。

(A)の混同行列は、強い対角優位性を示しており、5つのクラス（DO、E、ES、G、R）すべてでほとんどのサンプルが正しく分類されていることを示しています。誤分類は比較的限定的ですが、特定のパターンを示しています。例えば、DOサンプルは時折ES（21）やG（8）と混同されます。これは、分類器が伸長特徴に非常に敏感であり、正常な二重凹面形態と伸長形態を区別する際に形状の変形を過度に強調している可能性を示唆しています。EクラスはG（13）やR（9）と一部混同され、これらのカテゴリ間の特徴の類似性を示唆しています。GインスタンスはDO（14）やE（12）と誤分類されることもあります。（図6）(B)は、DenseNet121のクラスごとの適合率、再現率、F1スコアをさらに定量化しています。DOとESクラスは最も高くバランスの取れたスコアを達成し、F1値はそれぞれ0.9644と0.9689でした。Eクラスは3つの指標すべてで最も低いスコア（P = 0.9380、R = 0.9167、F1 = 0.9272）を示し、適合率よりも再現率が著しく低く、真のEサンプルの一部が他のカテゴリに誤分類されていることを示しています。

2段階フレームワークの総合性能

提案する2段階フレームワークの性能は、テストデータセットの100枚のフルスコープ顕微鏡画像で評価されました。検出レベルの評価結果は

**Table 6.** Table 6: Detection-level evaluation (IoU threshold = 0.5, 100 test images, 6,664 ground-truth boxes).解説: 検出レベルの評価（IoU閾値 = 0.5、100枚のテスト画像、6,664個のグラウンドトゥルースボックス）を示しています。提案されたYOLO26n + DenseNet121パイプラインの予測数（Pred）、正しく検出されたRBCの数（TP）、誤って検出されたオブジェクトの数（FP）、見逃されたRBCの数（FN）、適合率、再現率、F1スコアが報告されています。

にまとめられています。提案パイプラインは、検出レベルの性能として適合率0.9873、再現率0.9458、F1スコア0.9661を達成しました。これらの結果は、フルスコープ顕微鏡画像中の個々のRBCを局所化する検出モデルの一貫した性能を示しています。また、これは、2段階パイプラインがYOLOモデルの高度な機能を効果的に活用し、多様な形態を持つRBCを含むフルスコープ顕微鏡画像を検出していることも示唆しています。
鎌状赤血球の顕微鏡画像では、密集した細胞配置、小さなターゲットサイズ、そして深刻なクラス不均衡（DO：約70%、E：1.4%、R：2.2%）が単一ステップの検出器に固有の課題をもたらします。YOLO26n単独では少数派クラス（E: F1=0.7732、R: F1=0.6186）で苦戦する一方で、YOLO26nの組み込み分類ヘッドをDenseNet121アンサンブルに置き換えることで、これらの制限が大幅に軽減されました。多数派クラスDO（4,421サンプル）はYOLO26n単独でもすでに高い性能（F1=0.9432）を達成していましたが、2段階アプローチではさらに0.9841まで向上し、十分に表現されたカテゴリでも洗練された識別を示しました。さらに重要なことに、少数派クラスでは劇的な改善が見られました。Eクラス（91サンプル）は0.7732から0.9355へ、Rクラス（136サンプル）は0.6186から0.8789へ、Gクラス（646サンプル）は0.6596から0.9370へと、適合率と再現率の両方で大幅な向上が見られました。これらの改善は、過小評価されているカテゴリにおける偽陽性（誤って検出されたもの）と偽陰性（見逃されたもの）の両方の有意な減少を示しています。
マクロ平均F1スコアは0.7696から0.9371へと増加し（+0.1675）、全体的な精度は89.07%から97.06%へと改善（+7.99%）し、重み付け平均F1スコアは0.8903から0.9708へと上昇しました。これらの結果は、性能向上が主要なカテゴリだけでなく、すべてのクラスにわたって一貫していることを裏付けています。

**Figure 7.** Figure 7: Qualitative performance comparison on a representative brightfield microscopy image beyween (A) Single-stage Yolo26n baseline (Cls Acc = 0.86) and (B) Proposed two-stage pipeline: Yolo26n + DenseNet121 ensemble (Cls Acc = 0.95). Both methods share identical detection perfor- mance (Det P = 1.00, Det R = 0.95); the four undetected cells (FN1–FN4, marked by red arrows) are the same across both methods and correspond to cells at the image boundary or with severe occlusion. Bounding box colors denote the predicted cell morphology: DO, E, ES, G, R. Red boxes indicate misclassified cells (label format: “GT →Pred(Confidence Score)”) or false positives. Comparison between (A) and (B) shows the improved morphological discrimination of the pre-trained DenseNet121 classifier for ambiguous minority classes (G, R, E).解説: 代表的な明視野顕微鏡画像における定性的性能比較を示しています。(A)単一ステージYolo26nベースライン（分類精度 = 0.86）と(B)提案された2段階パイプライン：Yolo26n + DenseNet121アンサンブル（分類精度 = 0.95）を比較しています。両手法は同一の検出性能を共有しており、画像境界または重度の閉塞にある4つの未検出細胞（FN1～FN4）は両手法で同じです。赤いボックスは誤分類された細胞（ラベル形式：「真のラベル →予測ラベル（信頼度スコア）」）または偽陽性を示します。 (A)と(B)の比較は、曖昧な少数派クラス（G、R、E）に対する事前学習されたDenseNet121分類器の形態識別能力の向上を示しています。

は、代表的な明視野顕微鏡画像における質的性能比較を示しています。単一ステップのYOLO26nベースライン（A）は形態学的に類似したクラス間でより多くの誤分類を示していますが、提案する2段階パイプライン（B）は誤分類が著しく少なく、専用のDenseNet121アンサンブルが形態学的曖昧さを効果的に解決していることを確認しています。これらの結果は、DenseNet121が個々の細胞パッチから微細な形態学的特徴を抽出する能力を活用することで、特に少数派クラスの分類精度を向上させる2段階フレームワークの有効性を強く裏付けています。

考察とまとめ

本研究の結果は、鎌状赤血球のフルスコープ顕微鏡画像に適用した場合、検出と分類を統合したモデルと専門的な単一細胞分類器との間に、一貫して再現性のある性能ギャップがあることを明らかにしました。YOLOおよびDETRファミリーの11モデルにおいて、高い局所化性能は、特に少数派クラスにおいて、信頼性の高い表現型分類にはつながりませんでした。これは、統合されたアーキテクチャにおける性能のボトルネックが、主にデータ量の問題ではなく、より深いアーキテクチャ上の制約を反映していることを示唆しています。
提案された2段階フレームワークは、検出と分類のタスクを分離することで、この制約を克服します。YOLO26n検出器による効率的なRBC検出と、微調整されたDenseNet121アンサンブル分類器による詳細な形態学的識別の組み合わせにより、全体的な分類精度は97.06%に達し、特に少数派クラスで大幅なF1スコアの改善が見られました（E: +0.1623; G: +0.2774; R: +0.2603）。このハイブリッドフレームワークは、高速な汎用検出モデルを専門的な分類器と組み合わせることで、ドメイン固有のバイオメディカルタスクに適応させる実用的な戦略を示しており、科学的および臨床的な画像解析において効率と高精度の両方を提供します。
今後の展望として、このフレームワークは他の微細な形態学的特徴の識別が求められるバイオメディカル画像解析タスクにも応用可能であると考えられます。例えば、がん細胞の亜型分類や、薬剤スクリーニングにおける細胞応答の評価など、多様な分野での貢献が期待されます。

用語集

鎌状赤血球症 (SCD): 赤血球が鎌状に変形し、貧血や血管閉塞などを引き起こす遺伝性疾患。
形態学的表現型: 生物の形質や特性のうち、肉眼や顕微鏡で観察できる形態的な特徴。
フルスコープ顕微鏡画像: 顕微鏡の視野全体を捉えた画像で、多くの細胞が密集して写っていることが多い。
物体検出モデル: 画像内の特定の物体を識別し、その位置を囲むバウンディングボックスを検出するAIモデル。
画像分類モデル: 画像がどのカテゴリに属するかを識別するAIモデル。
YOLO (You Only Look Once): リアルタイム物体検出に特化した、高速な畳み込みニューラルネットワークベースのAIモデル。
DETR (Detection Transformers): Attentionメカニズムを活用し、物体検出を行うTransformerベースのAIモデル。
DenseNet121: 密な接続を持つ畳み込みニューラルネットワーク（CNN）の一種で、情報の流れを効率化し高い精度を達成する。
円盤状赤血球 (DO): 健康な赤血球の典型的な円盤状の形態。
棘状赤血球 (E): 表面に均一な棘状の突起を持つ赤血球。
細長赤血球および鎌状赤血球 (ES): 細長く伸びたり、特徴的な鎌状に変形した赤血球。
顆粒細胞 (G): 細胞内に顆粒状の構造を持つ赤血球。
網状赤血球 (R): 未熟な赤血球で、細胞質にリボソームの残骸が網状に見られるもの。
クラス不均衡: データセットにおいて、特定のカテゴリのサンプル数が他のカテゴリに比べて著しく少ない状態。
F1スコア: 適合率（Precision）と再現率（Recall）の調和平均で、分類モデルの性能を示す指標。不均衡データで特に有用。
mAP (mean Average Precision): 物体検出モデルの性能を評価する指標で、検出された物体の位置と分類の平均精度を示す。
バイオメディカル画像: 生物学や医学の分野で用いられる、細胞、組織、臓器などの画像を指す。
バウンディングボックス回帰: 物体検出タスクにおいて、画像内の物体の位置とサイズを囲む矩形（バウンディングボックス）を予測するプロセス。
Focal Loss: 分類タスクにおいて、特に正解が少数派クラスのサンプルや、誤分類されやすい「難しい」サンプルに焦点を当てて学習するための損失関数。
NMS (Non-Maximum Suppression): 物体検出で複数の重複する検出ボックスが生成された際に、最も確信度の高いボックスを残し、他を抑制する処理。