自動オルガノイド画像セグメンテーションの品質が人間の水準に近づく

要旨: オルガノイドは複雑で三次元的な、自律的に組織化する細胞培養であり、臓器のような特徴を示し、人の疾患を研究し、治療選択肢を開発するための強力なプラットフォームとなります。オルガノイドの開発は、動的な形態学的および細胞学的な組織化によって特徴づけられ、これは臓器発生の一部の側面を模倣します。オルガノイド開発の過程で起こるこれらの急速な変化を研究するためには、オルガノイドの成長の軌跡を正確に追跡し、疾患プロセスを調査するための、高度な画像計測および解析ツールが不可欠です。
本研究では、コンピュータビジョンおよび機械学習の手法に焦点を当て、オルガノイド培養を生成する際の典型的な出発材料である多能性幹細胞（iPSC）由来の発達中のスフェロイドの大きさと形状を、自動的に計測することを目的とします。この作業を容易にするために、汎用の基盤モデルである Segment Anything Model（SAM）と、既存のドメイン特化ツールを組み合わせた複合手法を提案します。この複合手法は、オルガノイド画像データに対してテストを行い、手動による画像セグメンテーションの結果と比較することで、複数の既存ツールと併せて評価します。その結果、単一の既存ツールでは、すべてのテスト条件にわたって十分な精度でテスト画像をセグメントできないことが分かりました。一方で、新たに導入した複合手法は、最も困難な画像のごく一部を除き、すべての画像に対して一貫した正確な結果を生成します。最後に、この手法の精度を独立したアノテータ間の手動セグメンテーションのばらつき（観察者間変動）と比較し、ある指標では観察者間変動の水準に達し、他の指標ではそれに非常に近いことを見いだします。