2017 Fiscal Year Research-status Report
機械学習・人工知能による多剤耐性菌のモデル化と自動判別技術開発
| Project/Area Number |
17K08827
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
西野 美都子 大阪大学, 産業科学研究所, 助教 (30510440)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 多剤耐性菌 / 電子顕微鏡 / 機械学習 |
|---|
| Outline of Annual Research Achievements |
多剤耐性菌の出現は世界的な問題であり、感染症を克服することは医学的重要課題の一つである。耐性菌が出現するメカニズムを理解し、それらを抑制する手法を開発することは急務であり、病院検査室等においても簡便・迅速な多剤耐性菌検出法の開発が求められている。本研究では多剤耐性菌について耐性化過程で生じる遺伝子的、形態学的変化、耐性因子の動態変化を網羅的に解析し多面的オミクス情報を取得する。機械学習によるこれらの情報の融合とモデル化を行い、人工知能による薬剤耐性能自動判別技術基盤を構築する。
平成２９年度は、薬剤耐性菌株の1種であるエノキサシン耐性株を用い、光学顕微鏡及び電子顕微鏡を用いて形態情報を取得し解析した。光学顕微鏡画像を用いた定量的解析の結果、エノキサシン耐性株は耐性能を持たない親株と比較して球形に近い形状であることが判明した。さらに、詳細な形態情報を得るために透過型電子顕微鏡を用いて解析を行った。数種類の異なる試料固定法を検討した結果、高圧急速凍結法が最も細菌の構造保持が良好であり、本研究の目的に適している方法であると結論づけられた。電子顕微鏡観察の結果、エノキサシン耐性株は外膜の形状が親株と比較して変化している可能性が示唆された。次に、我々は多数の電子顕微鏡画像を取得し、機械学習を用いて耐性株の識別を試みた。学習には細胞の輪郭を用いる方法と小さなパッチを用いる方法（パッチ法）があるが、透過型電子顕微鏡画像は細胞の様々な角度の断面像が含まれていることから、まずはパッチ法を試みた。株ごとに数百枚の電子顕微鏡画像を取得し、それらから数万個のパッチを作成した。機械学習の１つである畳み込みニューラルネットワーク(CNN)を用いてパッチの識別を行い、その結果から元画像の株を推定した。その結果、９０％以上の正答率で画像を判別することに成功した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
耐性菌の電子顕微鏡解析に最適な試料固定法が速やかに確立できた。また、機械学習による画像判別も予想を超える精度の結果を得ることができた。
|
| Strategy for Future Research Activity |
今後は、パッチ法での画像識別の再現性を確認し、判別に用いられたエノキサシン耐性株の特徴抽出を行う。また、細胞の輪郭を抽出し機械学習による識別も試みる。他の薬剤耐性株についても同様の解析を行い、各薬剤耐性株の形態学的特徴量の抽出を行う予定である。
|
