AIと希少疾病 ── 希少な血液疾患 ── 2026-10-15

対象誌と選び方は索引の頁に

希少な血液疾患（血友病・鎌状赤血球症など）の治療・治験とAI

• 知識蒸留を用いて鎌状赤血球を高精度かつ効率よく検出するハイブリッド複数モデルフレームワーク
  Hybrid multi-model framework with knowledge distillation for precise and efficient sickle cell detection.
  Frontiers in digital health · 2026-09-29 · 証拠の段階: 手法開発（既存の画像データセットでの検証と小型端末での実装評価）
  抄録（全訳）

  鎌状赤血球を正確かつ速やかに検出できれば、患者の治療に大きく役立つ。医療資源の乏しい環境では、機器上でその場でリアルタイムに判定できる仕組みが求められる。そのためには、軽量で計算資源をあまり使わないコンピュータビジョンシステムの開発が重要である。

  本研究は、鎌状赤血球を検出するハイブリッド型のフレームワークを提案する。中心となるのは、知識蒸留（KD）で学習させた二つの軽量な畳み込みニューラルネットワーク（CNN）である（Bi-lightweight KD-guided CNNs）。この二つの生徒モデルは、それぞれ別の教師ネットワークから学習させた。これらを機械学習（ML）の分類器と組み合わせ、鎌状赤血球を正確かつ効率よく識別する。

  軽量モデルには深さ方向分離可能畳み込み（depthwise separable convolution）層を使い、モデルの複雑さを大幅に下げた。さらに、MobileNetV2 や DenseNet121 など性能の高い教師ネットワークから知識を取り出し、軽量モデルを改善した。この知識蒸留の学習手法を使うと、計算の複雑さを増やさずに軽量モデルの表現力を高められる。

  判定の性能を上げるため、蒸留済みの二つの生徒モデルを、従来型の機械学習である k 近傍法（KNN）分類器と組み合わせた。こうして作ったハイブリッドアンサンブルは、KD で学習した二つの CNN による特徴抽出と、ML による分類の両方の利点をあわせ持つ。

  システムの学習と検証には Sickle Cell Disease Dataset を用いた。学習を終えた生徒モデルは、計算の複雑さをさらに下げるため、Float32 量子化で TensorFlow Lite（TFLite）形式に変換した。

  KD で学習した二つの CNN モデルと KNN 分類器を組み合わせたハイブリッドモデルは、分類精度 95.45%、F1 スコア 95.02% と高い性能を示した。モデルのサイズは 3.96 MB と小さい。計算資源の限られた Raspberry Pi 4 Model B に実装して評価したところ、エッジ機器上でのリアルタイム判定やポイントオブケア（診療現場での検査）に使える可能性が示された。

  掲載誌の IF 相当：5.0（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）
  書誌：Reddy MMK, Lathvik CK, R AA, K K. Hybrid multi-model framework with knowledge distillation for precise and efficient sickle cell detection. Front Digit Health. 2026 Sep 29;8:1938284. doi:10.3389/fdgth.2026.1938284.
  確認の範囲：抄録のみ確認

← この号の目次へ