🤖 machine learning

RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images

본 논문은 하이브리드 WSI 그래프와 순위 결정 제약 조건을 활용하여 여러 해부학적 부위의 편평세포암에 대해 최첨단 일반화 성능과 정확도를 달성하는 약지도 어텐션 기반 다중 인스턴스 학습 프레임워크인 RACR-MIL을 제안한다.

원저자: Anirudh Choudhary, Mosbah Aouad, Krishnakant Saboo, Angelina Hwang, Jacob Kechter, Blake Bordeaux, Puneet Bhullar, David DiCaudo, Steven Nelson, Nneka Comfere, Emma Johnson, Olayemi Sokumbi, Jason Slu

게시일 2026-08-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Anirudh Choudhary, Mosbah Aouad, Krishnakant Saboo, Angelina Hwang, Jacob Kechter, Blake Bordeaux, Puneet Bhullar, David DiCaudo, Steven Nelson, Nneka Comfere, Emma Johnson, Olayemi Sokumbi, Jason Sluzevich, Leah Swanson, Dennis Murphree, Aaron Mangold, Ravishankar Iyer

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

암 진단은 종종 병리학자가 현미경을 통해 조직의 얇은 절편을 들여다보며, 종양이 얼마나 공격적일 수 있는지를 드러내는 미세한 단서들을 찾는 것으로 시작됩니다. 피부 및 장기 암의 흔한 유형인 편평세포암의 경우, 이 작업은 매우 까다롭기로 유명합니다. 질병은 모든 곳에서 동일하게 보이지 않으며, 단 하나의 샘플 안에도 느리게 성장하는 영역과 빠르게 퍼지는 영역이 모두 섞여 있을 수 있습니다. 전통적으로 의사들은 발견할 수 있는 가장 나쁜 상태의 영역을 기준으로 전체 샘플에 등급을 부여하는데, 이 과정은 인간의 경험에 크게 의존하며 의사마다 결과가 달라질 수 있습니다. 이를 표준화하기 위해 과학자들은 인공지능을 활용하여 컴퓨터가 조직의 전체 슬라이드 이미지를 읽도록 가르치고 있습니다. 그러나 컴퓨터에게 다양한 심각도 수준을 구별하도록 가르치는 것은 까다로운데, 왜냐하면 컴퓨터는 대개 전체 슬라이드에 대한 최종 진단만을 제공받을 뿐, 그 슬라이드 내의 어떤 아주 작은 지점들이 가장 위험한지에 대해서는 전달받지 못하기 때문입니다.

연구진은 이 문제를 해결하기 위해 새로운 접근 방식을 개발하여, 인간 전문가가 이러한 종양의 등급을 매길 때 생각하는 방식을 모방하는 시스템을 만들었습니다. 모든 조직 이미지의 아주 작은 조각들을 독립된 사실로 취급하는 대신, 'RACR-MIL'이라 불리는 이들의 방법은 서로 다른 조직 부분들이 서로 어떻게 연관되어 있는지에 대한 지도를 구축합니다. 이 방식은 암세포의 행동이 그 이웃 세포 및 더 넓은 환경에 달려 있다는 점을 이해합니다. 더욱 중요한 것은, 이 시스템이 가장 위험한 영역을 우선시하도록 설계되었다는 점입니다. 인간 병리학자가 매우 공격적인 세포가 모인 작은 구역이 전체 사례의 심각도를 결정한다는 것을 알고 있듯이, 이 AI는 또한 특정 고위험 지역을 덜 위험한 지역보다 더 비중 있게 찾아내고 가중치를 두도록 훈련되었습니다. 조직의 맥락에 대한 깊은 이해과 가장 나쁜 부분에 집중하라는 엄격한 규칙을 결합함으로써, 이 시스템은 이전의 방법들을 뛰어넘는 수준의 정확도를 달enc성합니다.

연구진은 피부, 폐, 그리고 머리와 목 부위의 편평세포암 환자로부터 얻은 수천 개의 조직 샘플을 대상으로 이 새로운 프레임워크를 테스트했습니다. 그들은 이 시스템을 개별 조직 조각만을 보거나 혹은 더 기본적인 방식으로 조각들을 연결하려고 시도하는 광범위한 기존 인공지능 도구들과 비교했습니다. 결과는 명확했습니다. 새로운 시스템은 일관되게 경쟁 도구들보다 우수한 성능을 보였습니다. 이 시스템은 등급 판정의 정확도를 상당한 차이로 개선했으며, 다른 방법들이 어려움을 겪었던 사례에서도 암의 심각도를 정확하게 식별해 냈습니다. 아마도 가장 중요한 점은, 이 시스템이 가장 위험한 종양 세포의 정확한 위치를 찾는 데 더 뛰어났다는 것입니다. 테스트 결과, 이 시스템은 다음으로 우수한 방법들보다 위험 지역을 최대 10% 더 효과적으로 찾아냈는데, 이는 의사가 치료 계획을 결정하는 데 있어 매우 중요한 차이가 될 수 있습니다.

이 접근 방식이 독특한 점은 조직의 복잡성을 처리하는 방식에 있습니다. 이 시스템은 아주 작은 이미지 조각들 사이에 두 가지 서로 다른 유형의 연결을 구축합니다. 한 가지 유형은 조각들이 물리적으로 가까운 것들을 연결하여, 종양이 주변의 건강한 조직을 밀어내는 방식과 같이 세포가 상호작용하는 즉각적인 이웃 환경을 포착합니다. 다른 한-지는 조각들이 서로 멀리 떨어져 있더라도 서로 유사해 보이면 연결함으로써, 샘블 전체에 흩어져 있을 수 있는 암 성장 패턴을 인식할 수 있게 합니다. 연구진은 이 두 가지 유형의 연결을 함께 사용하는 것이 어느 하나만을 사용할 때보다 훨씬 더 풍부한 그림을 제공한다는 것을 발견했습니다. 또한, 이 시스템에는 심각한 질병의 징후를 보이는 조각들에 더 많은 주의를 기울이도록 강제하는 특정 메커니즘이 포함되어 있습니다. 이는 최종 진단이 전체 슬라이드의 평균적인 모습에 휩쓸리지 않고, 가장 결정적인 증거에 의해 주도되도록 보장합니다.

이 기술이 실제 임상에서 실제로 도움이 될 수 있는지 확인하기 위해, 연구진은 두 명의 전문 병리학자를 초청하여 AI의 도움을 받은 경우와 받지 않은 경우의 사례들을 검토하게 했습니다. 대다수의 경우, 의사들은 이 시스템이 업무를 더 효율적으로 수행하는 데 도움이 된다는 것을 발견했습니다. 시스템은 의사들이 처음에 놓쳤거나 과소평가했던 가장 공격적인 종양 부위를 성공적으로 강조해 냈으며, 이를 통해 의사들이 더 정확하고 높은 등급으로 진단을 수정하도록 유도했습니다. 한 사례에서는, 시스템이 더 큰 저등급 종양 내에 있는 작고 매우 위험한 구역을 찾아내어 의사가 간과했던 부분을 짚어주기도 했습니다. 시스템이 최악의 영역에 집중하는 과정에서 주변 조직의 미세한 차이를 놓치는 경우가 몇 차례 있었으나, 전반적인 피드백은 긍ی적이었습니다. 의사들은 이 도구가 자신들에게 가장 중요한 부분을 가리켜 줌으로써 확신 있는 결론에 도달하는 데 걸리는 시간을 줄여주는 신뢰할 수 있는 조수 역할을 한다고 느꼈습니다.

이 연구는 또한 시스템이 본 적 없는 데이터, 예를 들어 다른 병원에서 가져왔거나 다른 기기로 스캔한 조직 샘플에 대해 얼마나 잘 작동하는지도 조사했습니다. 새로운 프레임워크는 데이터가 변하더라도 높은 성능을 유지하며 놀라울 정도로 견고함을 입증했습니다. 이는 이 시스템이 단순히 훈련된 특정 이미지를 암기한 것이 아니라, 암이 어떻게 행동하는지에 대한 근본적인 규칙을 학습했음을 시사합니다. 연구진은 이 시스템이 완벽하지 않으며 여전히 인간의 감독이 필요하지만, 암 등급 판정을 더 일관되고 신뢰할 수 있게 만드는 데 있어 중요한 진전이라고 언급했습니다. 컴퓨터의 논리를 인간 전문가가 정보를 우선순위화하는 방식과 일치시킴으로써, 이 연구는 전 세계 환자들을 위해 더 나은, 더 빠르고, 더 정확한 암 진단을 향한 유망한 길을 제시합니다.

기술 요약: 약지도 학습 기반 SCC 등급 판정을 위한 RACR-MIL

1. 문제 정의

편평세포암종(SCC)은 피부, 두경부, 폐를 포함한 다양한 해부학적 부위에서 발생하는 광범로한 암 하위 유형으로, 사망률에 상당한 영향을 미칩니다. 전체 슬라이드 이미지(WSI)로부터 SCC의 조직학적 등급을 정확하게 판정하는 것은 예후 및 임상 관리에 매우 중요하지만, 다음과 같은 이유로 여전히 까다로운 과제입니다:

종양 이질성(Tumor Heterogeneity): 상당한 종양 내 변이와 인접한 등급(well, moderate, poor) 간의 미묘한 형태학적 차이.
표준화 부족: 신뢰할 수 있고 표준화된 등급 판정 프로토콜의 부재.
맥락 의존성(Contextual Dependencies): 등급 판정은 다중 스케일에 걸쳐 세포 분화와 더 넓은 조직 맥락(예: 각화 현상, 기질 반응, 종양 성장 패턴)을 통합하는 데 의존함.
약지도 학습의 한계: 기존의 약지도 학습(WSL) 방법들은 종종 장거리 및 단거리 조직 의존성을 명시적으로 모델링하거나, 진단적으로 중요한 고등급 종양 영역을 일관되게 우선순위에 두는 데 실패합니다. 표준 어텐션 기반의 다중 인스턴스 학습(MIL)은 다양한 등급에 걸쳐 어텐션을 희석시켜, 혼합된 등급을 가진 슬라이드를 동일하게 취급하고 가장 공격적인 종양 성분을 국소화하는 데 실패할 수 있습니다.

2. 방법론: RACR-MIL

저자들은 normal, well-differentiated, moderately-differentiated, poorly-differentiated의 네 가지 클래스로 WSI를 분류하기 위해 설계된 약지도 학습 프레임워크인 RACR-MIL(Rank-aware Contextual Reasoning for MIL)을 제안합니다. 이 아키텍처는 하이브리드 이중 그래프 표현과 순위 인식 어텐션 메커즘을 통합합니다.

2.1. 조직 특징 인코딩

국소 특징 추출: WSI는 중첩되지 않는 패치(20X 배율에서 448×448)로 타일링됩니다. 특징은 DINO로 사전 학습된 계층적 트랜스포머(Nest-S)를 통한 자기 지도 학습(SSL)을 사용하여 추출됩니다. 이 특징들은 등급 특이적 정보를 강조하기 위해 MLP를 통해 저차원 공간으로 투영됩니다.
하이브리드 이중 그래프 구축: 맥락 의절성을 포착하기 위해 각 WSI는 두 개의 상보적인 인접 행렬을 가진 그래프로 표현됩니다:
1. 잠재 그래프 ( $A_{lat}$ ): 공간적 거리와 관계없이 형태학적으로 유사한 패치들을 연결합니다. 이는 특징 공간에서의 k-최근접 이웃(kNN)을 사용하여 구축되며, 노이즈를 줄이기 위해 상호 kNN(reciprocal kNN)을 통해 정제되고, 고차원 관계를 포착하기 위해 그래프 확산(Personalized PageRank)을 통해 강화됩니다.
2. 공간 그래프 ( $A_{spa}$ ): 물리적으로 인접한 패치들(8-최근접 이웃)을 연결하여 국소 종양 미세환경 맥맥락(예: 각화 현상, 면역 침윤)을 포착합니다.
맥락적 특징 도출: 어텐션 기반 그래프 신경망(Att-GNN)이 두 그래프를 처리합니다. 각 그래프는 그래프 특유의 관계를 학습하기 위해 별도의 셀프 어텐션 헤드를 사용합니다. **다양성 정규화 항(diversity regularizer)**은 두 그래프의 어텐션 가중치 간의 상관관계를 최소화하여, 두 그래프가 중복되지 않고 상보적인 패턴을 학습하도록 보장합니다. 최종 맥락적 특징은 국소 특징과 집계된 그래프 특징의 잔차 결합(residual combination)입니다.

2.2. 순위 인식을 통한 등급 분류 및 제약 조건

모델은 패치 특징을 어텐션을 사용하여 집계하지만, SCC 등급의 서수적(ordinal) 특성을 모사하기 위해 특정 제약 조건을 도입합니다:

순위 인식 어텐션(Rank-Aware Attention): 표준 풀링 대신, 모델은 온도 조절 코사인 분류기(temperature-scaled cosine classifier)를 사용한 결합 풀링(conjunctive pooling)을 사용합니다.
등급 간 제약(Inter-Grade Constraint): 높은 등급(예: poorly differentiated)과 관련된 패치가 낮은 등급보다 높은 어텐션 가중치를 받도록 강제합니다. 이는 고신뢰도 패치에서 유도된 등급별 어텐션 점수에 대한 쌍별 순위 손실(pairwise ranking loss)을 통해 구현됩니다.
등급 내 제약(Intra-Grade Constraint): 동일한 등급 클래스 내에서 더 높은 신뢰도 점수를 가진 패치를 우선시하도록 독려하여, 패치 수준의 예측과 슬라이드 수준의 집계 사이의 정렬을 개선합니다.
손실 함수: 전체 목적 함수는 등급 분류 손실, 등급 간 순위 손실, 등급 내 순위 손실, 그리고 그래프 다양성 손실을 결합합니다.

3. 주요 기여

이중 그래프 표현: 하이브리드 이중 그래프 아키텍처를 통해 국소 공간 맥락과 비국소적 표현형 관계를 공동으로 모델링하고 다양성 제약을 통해 강화된, 다중 클래스 SCC 등급 판정을 위한 최초의 약지도 학습 프레임워크입니다.
순위 인식 어텐션 메커즘: 병리학자의 서수적 진단 과정과 일치하도록, 높은 등급의 종양 증거를 보이는 영역을 명시적으로 우선시하는 등급 간 및 등급 내 제약 조건을 도입했습니다.
강력한 일반화 성능: 세 가지 서로 다른 SCC 코호트(피부, 두경부, 폐)에 대해 종합적인 평가를 수행하여, 등급 분류 F1 점수에서 기존 모델보다 3~9% 우수하며 OOD(out-of-distribution) 평가에서도 뛰어난 회복력을 입증했습니다.
임상 검증: 모델이 진단 보조 도구로서의 잠재력을 가지고 있음을 나타내는 병리학자들과의 파일럿 연구를 통해, 등급 판정 효율성과 고위험 종양 영역 식별 정확도를 개선함을 보여주었습니다.

4. 실험 결과

모델은 5-겹 교차 검증을 사용하여 피부 SCC(프라이빗 데이터셋), 폐 SCC(CPTAC), 두경부 SCC(TCGA/CPTAC)에 대해 평가되었습니다.

성능 향상: RACR-MIL은 등급 분류 F1 점수에서 기존 MIL 베이스라인(ABMIL, CLAM-MB, PatchGCN, TransMIL 포함)보다 3~9% 높고, 종양 국소화 민감도에서는 최대 10% 높은 성능을 보이며 최첨단 성능(SOTA)을 달립했습니다.
고위험 종양 탐지: 모델은 특히 소수 클래스인 도전적인 고등급(moderate 및 poor) 종양을 분류하는 데 있어 상당한 개선(최대 28%)을 보였습니다.
국소화: 병리학자 주석에 대한 국소화 분석에서, RACR-MIL은 비맥락적(ABMIL) 및 맥락적(PatchGCN) 베이스라인에 비해 특히 저분화(poorly differentiated) 영역을 정확하게 식별하는 데 있어 더 높은 민감도와 돌출도(saliency)를 달성했습니다.
절제 연구(Ablation Studies):
- 이중 그래프 구성은 단일 그래프 변형(잠재 전용 또는 공간 전용)보다 일관되게 우수한 성능을 보였습니다.
- 등급 간 및 등급 내 순위 제약은 서로 보완적인 것으로 나타났으며, 두 제약을 함께 적용했을 때 최상의 성능을 냈습니다.
- 다양성 정규화 항은 두 그래프 브랜치가 서로 다른 정보를 포착하도록 보장함으로써 성능을 더욱 향상시켰습니다.
특징 백본(Feature Backbones): 프레임워크는 다양한 특징 추출기(SCC-DINO, PathGen-CLIP, CONCHv1.5)에 대해 견고함을 입증하였으며, 베이스라인 대비 일관된 성능 향상을 보여주었습니다.

5. 의의 및 주장

본 논문은 RACR-MIL이 종양 이질성과 표준화된 등급 프로토콜의 부재라는 특정 과제를 해결함으로써 SCC에 대한 계산 병리학 분야에서 중요한 진전을 이루었다고 주장합니다.

임상적 관련성: 이 프레임워크는 가장 공격적인 종양 성분을 우선시함으로써 병리학자의 진단 과정과 일치합니다. 이는 SCC 등급 판정의 핵심 요소입니다.
일반화 가능성: 특정 암 유형이나 해부학적 위치에 국한되기 쉬운 기존 방법들과 달리, RACR-MIL은 피부, 폐, 두경부 SCC 전반에 걸쳐 강력한 일반화 능력을 입증하여 다양한 해부학적 부위에 대한 통합된 접근 방식을 제시합니다.
임상적 유용성: 파일럿 연구에서 병리학자들은 모델이 60%의 사례에서 등급 판정 효율을 개선하고 놓친 고등급 영역을 성공적으로 강조했다고 보고했습니다. 저자들은 RACR-MIL을 병리학자의 워크플로우를 대체하기보다는 지원하는 AI 보조 도구로 포지셔닝합니다.

저자들은 더 큰 코호트에 대한 통계적 유의성 검정 필요성, 비종양 영역에서의 잠재적 위양성, 패치 크기와 국소화 정밀도 사이의 트레이드오프 등의 한계를 인정합니다. 이들은 향후 연구 방향으로 다중 스케일 표현, 불확실성 정량화, 그리고 다른 암 유형 및 생존 예측 작업으로의 확장을 제안합니다.