検査と技術51巻1号

2023年01月発行

トピックス

微生物検査領域における人工知能導入の可能性

著者： 平田耕一¹

所属機関： ¹九州工業大学大学院情報工学研究院

ページ範囲：P.48 - P.50

はじめに

　最近の人工知能（artificial intelligence：AI）ブームは，深層学習（deep learning）に牽引されているといってよい．この深層学習は，脳の神経回路網を模したニューラルネットワークを利用した機械学習の方式である．ニューラルネットワークそのものは1930〜1940年代に提唱され，1970年代には文字認識などに利用されはじめた．その後，2006年に深層学習の嚆矢としての多層ニューラルネットワークが実現され，さらに畳み込みニューラルネットワーク（convolution neural network：CNN）により，2012年に画像認識のエラー率を17％とこれまでの手法よりも10％以上も向上させ，2014年には5％程度まで改善した．

　そのような深層学習が流行した理由に，プログラム言語Pythonの開発とPythonに直結するオープンソースとしてのCNNの実現が挙げられる．オープンソースであることから，Pythonにより深層学習のさまざまなCNNを簡単に扱うことができる．さらに，Googleが提供しているGoogle Colaboratoryでは，ブラウザ上でPythonを記述・実行でき，深層学習で必要なGPU（graphics processing unit）にも無料でアクセスできるため，簡単に深層学習を実行することができる．このように，深層学習には，機械学習の研究者に限らず，誰でも比較的容易に利用できる環境が整っている．

　そのような深層学習の微生物検査への導入として，本稿では，グラム（Gram）染色を取り上げる．そして，深層学習に必要不可欠となるアノテーションや学習結果の評価方法について説明した後，深層学習のグラム染色画像への適用例について述べる．なお，深層学習の詳細については，例えば文献1を参照していただきたい．

参考文献

1）岡野原大輔：ディープラーニングを支える技術—「正解」を導くメカニズム［技術基礎］．技術評論社，2022

2）吉原教平：グラム染色画像からのキャンピロバクターと白血球貪食の分類と検出．九州工業大学情報工学府先端情報工学専攻修士論文，2022

3）Kawano I, Kurumida E, Terada S, et al : Classifying Gram positive cocci and Gram negative bacilli in Gram stained smear images. Proc 2022　IIAI-AAI，55-60，2022

4）Sugimoto H, Hirata K : Object detection as Gram positive cocci in Gram stained smear images. Proc 2022　IIAI-AAI，134-137，2022