AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics

1. 문제 정의 (Problem Statement)

• 배경: 자기지도학습 (Self-Supervised Learning, SSL) 은 수동 주석이 없는 데이터로부터 시각적 표현을 학습하는 강력한 방법론으로, 특히 DINOv2 와 같은 모델이 의료 영상 분야에서 널리 사용되고 있습니다.
• 핵심 과제: 의료 영상, 특히 공간 프로테오믹스 (Spatial Proteomics) 분야에서는 데이터 소스 간의 체계적인 차이인 도메인 시프트 (Domain Shift) 가 심각한 문제입니다.
  • 배치 효과 (Batch Effects): 슬라이드 제작, 염색 강도, 대비, 신호 분포 등이 실험마다 (Run-to-run) 크게 달라집니다. 이는 실제 생물학적 신호를 가리고 모델이 슬라이드 고유의 아티팩트 (예: 특정 슬라이드의 염색 패턴) 에 과적합되게 만듭니다.
  • 기존 SSL 의 한계: 표준 DINOv2 와 같은 모델은 이러한 도메인 시프트에 민감하여, 학습된 임베딩이 생물학적 의미보다는 슬라이드 식별 정보에 더 의존하게 되어 일반화 성능이 떨어집니다.

2. 방법론 (Methodology)

저자들은 AdvDINO라는 새로운 도메인 - 적대적 자기지도학습 (Domain-Adversarial SSL) 프레임워크를 제안했습니다. 이는 DINOv2 아키텍처에 적대적 학습 (Adversarial Learning) 메커니즘을 통합한 것입니다.

• 아키텍처 구성:

  • 기반 모델: DINOv2 의 학생 - 교사 (Student-Teacher) 비전 트랜스포머 (ViT) 구조를 사용합니다.
  • 도메인 판별기 (Domain Discriminator): 학생 인코더의 출력 임베딩을 입력으로 받아 이미지의 도메인 (예: 슬라이드 ID) 을 분류하는 경량 MLP 를 추가합니다.
  • 기울기 반전 계층 (Gradient Reversal Layer, GRL):
    • 순전파 (Forward Pass): 입력을 그대로 전달합니다.
    • 역전파 (Backpropagation): 도메인 판별기에서 돌아오는 기울기에 $-1$을 곱하여 반전시킵니다.
    • 목적: 학생 인코더는 도메인 판별기가 입력의 출처 (슬라이드 ID) 를 맞추지 못하도록 (도메인 불변 특징 학습) 훈련되지만, 동시에 하류 작업 (생물학적 분류 등) 에 유용한 의미론적 특징은 유지하도록 훈련됩니다.

• 학습 목표 함수:

  • 총 손실 함수는 DINOv2 의 기존 손실 (마스크된 이미지 모델링, 지식 증류) 과 적대적 도메인 손실 ($L_{adv}$) 을 결합합니다.
  • $L_{total} = \lambda_{distill}L_{distill} + \lambda_{MIM}L_{MIM} + \lambda_{adv}L_{adv}$
  • 여기서 $L_{adv}$는 슬라이드 ID 를 예측하는 분류 오차 (Cross-Entropy) 를 최소화하도록 설계되지만, GRL 을 통해 인코더는 이를 최대화하도록 (즉, 도메인을 구별하지 못하도록) 학습됩니다.

• 데이터 전처리:

  • 6 채널 멀티플렉스 면역형광 (mIF) 전체 슬라이드 이미지 (WSI) 를 256x256 타일로 분할합니다.
  • DINOv2 의 멀티 크롭 전략 (전역 및 로컬 크롭) 을 적용하되, 수직 반전 (Vertical flipping) 을 추가하고 태양화 (Solarization) 는 제거하여 mIF 데이터 특성에 맞췄습니다.

3. 주요 기여 (Key Contributions)

1. AdvDINO 프레임워크 제안: DINOv2 에 GRL 기반의 도메인 판별기를 통합하여, 슬라이드 고유의 배치 효과를 제거하고 생물학적으로 의미 있는 도메인 불변 표현을 학습하는 방법을 최초로 제안했습니다.
2. 실제 임상 코호트 적용: 414 명의 환자, 435 개의 비소세포폐암 (NSCLC) mIF 슬라이드 (약 546 만 개 타일) 로 대규모 실험을 수행했습니다.
3. 생물학적 및 예후적 유효성 입증:
   • 학습된 임베딩을 기반으로 한 비지도 클러스터링이 슬라이드 편향 없이 생물학적 하위 유형 (예: 면역 세포 풍부, 정상 조직 등) 을 성공적으로 식별했습니다.
   • 이러한 클러스터들이 환자의 생존율과 유의미하게 연관됨을 입증했습니다.
4. 강력한 예후 예측 성능: 주의 기반 다중 인스턴스 학습 (ABMIL) 을 통해 환자 생존을 예측할 때, 기존 세포 밀도 기반 Cox 모델이나 일반 DINOv2 보다 우수한 성능을 보였습니다.
5. 범용성 검증: 폐암 데이터뿐만 아니라 유방암 (특히 삼중 음성 유방암, TNBC) 코호트에서도 동일한 도메인 불변성 향상과 생물학적 연관성 발견을 확인했습니다.

4. 실험 결과 (Results)

• 도메인 강건성 (Domain Robustness):

  • UMAP 시각화: 일반 DINOv2 는 슬라이드별로 뚜렷하게 분리된 클러스터를 형성하는 반면, AdvDINO 는 슬라이드 간에 혼합된 (Inter-slide mixing) 분포를 보여 도메인 불변성을 입증했습니다.
  • 조정 랜덤 지수 (ARI): 클러스터 할당과 슬라이드 ID 간의 일치도를 측정했을 때, DINOv2 는 0.66 (높은 슬라이드 의존성) 이었던 반면, AdvDINO 는 0.037 (매우 낮음) 으로, 슬라이드 편향이 크게 제거되었음을 통계적으로 증명했습니다.

• 프로테오믹스 및 예후 연관성:

  • 클러스터 특성화: 학습된 클러스터들은 각기 다른 단백질 발현 패턴 (예: CD8, PD-1 풍부, FOXP3 풍부 등) 을 보였습니다.
  • 생존율 연관성: 특정 클러스터 (예: Cluster 5, 23, 26) 는 긴 생존율과, Cluster 12 는 짧은 생존율과 유의미하게 연관되었습니다. 이는 임상적 예후 인자로 활용 가능함을 시사합니다.

• 예측 성능 (Survival Prediction):

  • ABMIL 모델: AdvDINO 임베딩을 사용한 ABMIL 모델은 평균 C-index 0.799를 달성했습니다.
  • 비교: 일반 DINOv2 (0.789) 와 전통적인 세포 밀도 기반 CoxPH 모델 (0.680) 보다 모두 우수한 성능을 보였습니다. 이는 AdvDINO 가 기존 임상 staging 시스템에서 포착하지 못하는 예후적 특징을 학습했음을 의미합니다.

• 일반화 능력 (Generalizability):

  • 유방암 코호트에서도 AdvDINO 는 DINOv2 대비 ARI 를 0.44 에서 0.12 로 크게 낮추어 도메인 불변성을 향상시켰으며, 삼중 음성 유방암 (TNBC) 과 연관된 생물학적 클러스터를 성공적으로 식별했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 의료 AI 의 신뢰성 향상: 공간 프로테오믹스 및 의료 영상 분야에서 흔히 발생하는 배치 효과 (Batch Effects) 를 해결하여, 모델이 실제 생물학적 신호에 집중하도록 유도했습니다.
• 데이터 효율성: 수동 주석이 없는 대규모 데이터에서도 도메인 불변 표현을 학습할 수 있어, 라벨링 비용이 높은 의료 데이터 분석에 매우 유용합니다.
• 임상적 가치: 단순히 이미지를 분류하는 것을 넘어, 환자의 생존율 예측과 암의 아형 (Subtype) 식별에 직접적으로 기여할 수 있는 해석 가능한 (Interpretable) 생물학적 클러스터를 발견했습니다.
• 확장성: 이 프레임워크는 mIF 데이터에 국한되지 않고, 조직병리학 (Histopathology) 이나 방사선학 (Radiology) 등 도메인 시프트가 발생하는 모든 의료 영상 분야에 적용 가능한 범용 솔루션으로 평가됩니다.

이 논문은 자기지도학습에 적대적 도메인 적응을 결합함으로써, 의료 AI 모델의 일반화 성능과 임상적 유용성을 동시에 높이는 중요한 진전을 이루었습니다.