顕微鏡イメージングにおけるディープラーニング

ディープラーニングの利点と限界

ディープラーニング（深層学習）にもとづくアルゴリズムは画像解析においても非常に強力なツールですが、決して万能という訳ではありません。ディープラーニングのアルゴリズムは、データの特徴の相関関係を推測することに優れています。したがって、イメージングにおける人工知能（AI）の最大の利点は、画像解析における速度の向上となります。

Denoise.ai、Clarify.ai、Autosignal.aiなどの一部のAIモジュールは、すでにニコンによって事前学習が施されていますが、その他のモジュールは、実験に対する特定の取得条件を使用して、学習させる必要があります。このプロセスには時間がかかりますが、一度完了してしまえば新しいデータを高速で解析できるようになります。ただし、結果はground truthではないため、各モジュールに対する適切なアプリケーションを試すことが重要です。

では、どのような解析に効果があるのでしょうか。たとえば、Convert.aiでは、透過像からDAPI染色された核を予測するように学習させることができます。この生成されたDAPI像は、DAPIシグナルの正しい位置にほぼ従っているため、この画像を使用して細胞数をカウントすることができます。一方で、生成されたDAPI像は輝度情報などの定量化を必要とするアプリケーションには適していません。ディープラーニングは、DAPIの位置や全体的な染色パターンの正確な予測には信頼できますが、細部の構造やまれな事象を定量化する方法としては使用できません。後者はそもそも、学習用のトレーニングデータに正しく表現されていないため、見逃される可能性があります。

ディープラーニングによる、イメージングや解析の合理化

ディープラーニングの利点は、多様で複雑な作業を迅速に行える点にあります。ディープラーニングの導入により、イメージングや画像解析に必要な複数のプロセスを、比較的短時間で行えるようになります。時間が限られている場合などは、画像の取得中に行うことも可能です。

たとえばAutosignal.aiは、共焦点レーザー顕微鏡システムAX / AX Rと組み合わせることにより、最適なレーザー強度やゲインをわずか数秒間で自動的に決定します。光退色などの要因がある場合は、わずか数秒であっても、大きな差となる可能性があります。

Denoise.aiも同様に、高速でリアルタイムにノイズ除去が行えます。これは、Autosignal.aiと組み合わせて使用することで相乗効果が得られ、ボタンを押すだけで、イメージング条件を数秒で最適化できます。他のAIモジュールも同様にイメージングプロセスとの組み合わせが可能です。たとえばSegment.aiを使用することにより、ビデオで示す通り、画像の特徴を高速でセグメンテーションできます。

NIS.aiモジュールは、NIS-Elementsソフトウェアの既存のイメージング/解析ワークフローに組み込むことができます。これは、ハイコンテント実験の効率を最適化する場合に有用です。General Analysis 3（GA3）モジュールは測定実験をカスタマイズできるため、ディープラーニングをベースとするNIS.aiと従来の解析法を同一のワークフローの中で適用することができます。つまり、JOBS実験ウィザードを使用して、NIS.aiモジュールを画像取得の設定に組み込むこともできます。JOBSにおいてNIS.aiを使用して得られた結果にもとづいて、実験の方向性を指定することができます。たとえば、解析結果にもとづいて別の画像取得を行うなど、より複雑なイメージングフローを簡単に構築できます。

ライブセルイメージングのためのディープラーニング

AIソフトウェアモジュールNIS.aiの多くが持つ大きな利点は、光毒性を抑えることです。Denoise.aiやClarify.ai、Enhance.aiを使用することにより、光量を上げることなく、鮮明な画像が得られます。Convert.aiは、DICなどの透過光画像から蛍光画像を予測できるため、場合によっては蛍光イメージングが不要となります。Enhance.aiでは、低シグナルの画像から高S/Nの画像を予測できるため、励起のための光子線量を最低レベルまで低減することが可能です。

蛍光観察は、透過観察よりもはるかに多い光量が必要となります。ライブセルイメージングでは光退色と光毒性が最大の課題となるため、一段と光量を抑えた蛍光イメージングが重要になります。

顕微鏡イメージングにおけるAIの方向性

顕微鏡イメージングにAIを適用する方法は、まだ比較的初期の段階にあり、新しい研究やアプリケーションが次々と発表され、この分野を前進させています。イメージングにおいて、AIの可能性をより高めるためには、AIの知見のない方にも安心かつ簡単に使用できるようにすることが重要です。そのためには適切な使用方法を示し、品質の指標に関する明確なガイドラインを打ち立てる必要があります。また、定量性を示すためのバリデーションを示すことも重要になります。

Clarify.aiやDenoise.aiなどのニコンの学習済みAIは、ユーザーごとの解析パラメータのばらつきがないことが利点です。Clarify.aiやDenoise.aiを使用する場合は、どのユーザーにおいても、同一の学習済みネットワークを使用するため、ユーザーの主観による影響がありません。

学習の必要なConvert.ai、Enhance.ai、Segment.aiなどのNIS.aiの場合は、ネットワークに学習させるために利用する、直観操作が可能なユーザーインタフェースが各モジュールに搭載されています。学習回数やトレーニングロスなどのリアルタイムビューが可能なため、学習の進行状況をモニタリングできます。