既存のデータセットは，(1)対象とする臓器，疾患，ラベル種別が限られていてタスク依存的，(2)プレパラート全体の弱拡大像が対象であり性能が悪い，の2つの傾向があり，応用しにくかった。本研究は細胞の種類を網羅した57のラベルを階層的に定義しており(hierarchial taxonomy)，かつ細胞レベルの強拡大像にアノテーションしているため，高い汎用性と精度を確保している。

VGG16を訓練し，Hierarchial Binary Relevanceを併用して，第1階層〜第3階層のラベルを見分ける多クラス分類タスクにおいてAUC 0.992, 0.9813, 0.9812が得られた。より多層のCNNでは性能は落ちる傾向にあり，プレパラートの局所に注目するというタスクの性質によるのかもしれない。また，プレパラート全体の画像への各細胞のheat mapの表示にも成功した。