KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment

"KAYRA: 클라우드 및 온프레미스 배포를 위한 AI 지원 염색체 분석용 마이크로서비스 아키텍처" 논문에 대한 상세 기술 요약입니다.

1. 문제 정의

염색체 분석 (Karyotyping) 은 G-밴딩된 중기 현미경 이미지에서 인간 염색체를 시각적으로 식별하고, 정렬하며, 짝을 짓는 중요한 임상 진단 절차입니다. 이는 산전 선별, 종양학 (예: 필라델피아 전위 검출), 유전성 질환 진단에 필수적입니다.

• 현재의 과제: 이 과정은 현재 수동으로 이루어지며, 시간 소모가 크고 (사례당 30~90 분), 고도로 훈련된 세포유전학자의 희귀한 인력에 의존합니다.
• 시스템 엔지니어링 격차: 딥러닝 모델 (예: Mask R-CNN, U-Net) 이 분할 및 분류에서 높은 정확도를 보였음에도 불구하고, 견고한 시스템 엔지니어링 솔루션은 부족합니다. 구체적으로 다음과 같은 요구 사항을 충족하는 배포 가능한 임상 서비스가 필요합니다:
  • 다중 모델 파이프라인 (탐지, 분할, 분류) 처리.
  • 엄격한 임상 제약 조건 내 운영 (환자 데이터 거주지, 온프레미스 대 클라우드 유연성).
  • 전문가 검토를 위한 "인간 - 루프 (human-in-the-loop)" 워크플로우 통합.

2. 방법론: KAYRA 시스템

KAYRA 는 컨테이너화된 마이크로서비스 파이프라인으로 설계된 엔드 - 투 - 엔드 염색체 분석 시스템입니다. 이는 배포에 구애받지 않도록 설계되어, 클라우드 (관리형 Kubernetes) 와 온프레미스 (Docker Compose) 환경 모두에서 동일한 컨테이너 이미지를 실행합니다.

A. 시스템 아키텍처

시스템은 HTTP/REST 를 통해 통신하는 단일 책임 마이크로서비스로 워크플로우를 분해합니다:

• 파이프라인 오케스트레이터: 이미지별 흐름을 조정합니다. 저하된 운영 (degraded operation) 을 구현하여 상류 서비스가 실패하면 파이프라인이 해당 단계를 건너뛰고 전체 실패 대신 부분 결과를 반환하여 세포유전학자에게 유용성을 보장합니다.
• 모델 서비스:
  1. 시맨틱 분할: EfficientNet-B5 + U-Net.
  2. 인스턴스 탐지: Mask R-CNN (ResNet-50 + FPN).
  3. 중복/겹침 해결: 전용 논리 단계.
  4. 분류 + 회전: ResNet-18 분류기.
• 백엔드: 이미지 수집, 비동기 작업 큐, 상호작용 편집 API, 그리고 ISCN 준수 염색체도 합성을 처리합니다.
• 프론트엔드: 전체 감사 추적을 제공하며, 상호작용 전문가 검토 (염색체 분할, 병합, 재분류, 회전) 를 지원합니다.

B. 캐스케이드 ROI(관심 영역) 축소 파이프라인

핵심 혁신은 겹치는 염색체를 처리하고 계산 부하를 줄이기 위해 "분할 정복" 접근법을 적용하는 캐스케이드 관심 영역 (ROI) 전략입니다:

1. Otsu 사전 필터: 원본 이미지 (예: 1830×1830) 를 다운샘플링하고, Otsu 방법으로 이진화하며, 연결 성분을 레이블링하여 거친 컷 (crop1) 을 생성합니다.
2. 시맨틱 정제: crop1 을 992×992 로 다운스케일하고 U-Net(EfficientNet-B5 백본) 으로 처리하여 3 클래스 마스크 (배경, 염색체, 겹침) 를 생성합니다.
3. 엄격한 ROI 추출: U-Net 마스크의 비영역 (non-zero region) 이 원본 해상도에서 더 좁은 컷 (crop2) 을 정의합니다.
4. 인스턴스 분할: Mask R-CNN이 개별 염색체를 탐지하고 픽셀 정밀도의 마스크를 생성하기 위해 오직 crop2 에서만 (0 도 및 45 도 각도로) 실행됩니다.
5. 분류: 탐지된 염색체는 잘려 ResNet-18 분류기에 전달되어 염색체 유형 (1~22, X, Y) 및 회전 각도를 추정합니다.

캐스케이드의 중요성:

• 효율성: Mask R-CNN 은 약 34% 작은 픽셀 영역을 처리하여 RPN 제안 부하를 줄입니다.
• 안정성: 고정된 입력 크기 (992×992) 는 메모리 프로파일과 배치를 안정화합니다.
• 정확도: 각 모델은 처리하는 데 가장 적합한 데이터만 봅니다 (예: U-Net 이 Mask R-CNN 이 겹침을 분리하기 전에 배경 노이즈를 제거함).

C. 훈련 데이터

모델들은 약 24,000 개의 전문가 주석 염색체도로 구성된 결합 데이터셋으로 훈련되었으며, 다음을 포함합니다:

• 말초 혈액 및 골수 샘플.
• 구조적 이상 사례 (전위, 결실).
• 특정 이상 (예: t(9;22) 필라델피아 염색체).
• 벤더 간 견고성을 위한 상업용 플랫폼 데이터.
• 개인정보 보호: 환자 식별자 수준에서 데이터 분할을 수행하여 훈련/검증/테스트 세트 간 유출을 방지합니다.

3. 주요 기여

1. 마이크로서비스 아키텍처: 환자 데이터 거주지의 중요한 요구 사항을 해결하는 클라우드 및 온프레미스 배포를 모두 지원하는 유연한 컨테이너화 시스템.
2. 캐스케이드 ROI 파이프라인: Otsu 사전 컷팅, U-Net 시맨틱 정제, Mask R-CNN 인스턴스 분할을 연결하여 겹치는 염색체 성능을 개선하는 새로운 엔지니어링 접근법.
3. 임상 검증: 실제 임상 데이터에 대해 두 가지 상업용 참조 시스템 (하나는 밀도 임계값, 다른 하나는 최신 AI) 과 비교한 엄격한 파일럿 연구.
4. 인간 - 루프 통합: 세포유전학자가 AI 출력을 수정할 수 있도록 설계된 워크플로우로, 전체 버전 관리 및 감사를 제공합니다.

4. 결과

시스템은 10 개의 중기 분열상 (정상 7 개, 이상 3 개) 에서의 459 개 염색체에 대해 두 가지 상업용 참조와 비교하여 평가되었습니다.

지표	KAYRA	Ref 2 (최신 AI)	Ref 1 (밀도 임계값)	통계적 유의성 (KAYRA 대 Ref 1)
분할 정확도	98.91%	78.21%	40.52%	$p < 0.0001$
분류 정확도	89.1%	86.9%	54.5%	$p < 0.0001$
회전 정확도	89.76%	94.55%	78.43%	$p < 0.0001$

• 분할: KAYRA 는 두 참조 시스템보다 현저히 우수하여 459 개 중 454 개의 염색체를 올바르게 분할했습니다. 특히 참조 시스템 2 에 비해 "병합" 오류를 현저히 줄였습니다.
• 분류: KAYRA 는 89.1% 의 정확도를 달성하여 이전의 참조 시스템 1 을 현저히 능가했습니다. 표본 크기를 고려할 때 참조 시스템 2(86.9%) 와의 차이는 통계적으로 유의하지 않았습니다 ($p=0.34$), 그러나 KAYRA 는 중간 크기의 B 및 C 그룹에서 우수한 성능을 보였습니다.
• 회전: KAYRA 는 참조 시스템 2 보다 약간 뒤처졌습니다 (89.76% 대 94.55%), 이는 훈련 데이터 증강을 통해 개선이 필요한 영역으로 식별되었습니다.
• 견고성: KAYRA 는 말초 혈액 (86.5%) 보다 기술적으로 어려운 골수 샘플에서 더 좋은 성능을 보였습니다 (93.5% 정확도), 이는 아마도 훈련 분포 때문입니다.

5. 중요성 및 결론

• 임상 준비도: KAYRA 는 관련 환경에서 검증된 프로토타입을 입증하여 TRL 6(기술 성숙도 수준 6) 에 도달했습니다.
• 배포 유연성: 이 아키텍처는 복잡한 다중 모델 AI 파이프라인을 엄격한 임상 데이터 거버넌스 (온프레미스) 를 충족하도록 패키징하면서도 클라우드 배포의 확장성을 희생하지 않음을 입증합니다.
• 향후 작업: 시스템은 백본에 구애받지 않아 향후 아키텍처 개편 없이 트랜스포머 기반 모델 (예: Mask2Former) 로 업그레이드가 가능합니다. 계획된 다음 단계는 다중 센터 검증, 회전 정확도 개선, 그리고 Y 염색체의 과소 대표성 해결입니다.

결론: KAYRA 는 학술적 딥러닝 모델과 배포 가능한 임상 세포유전학 서비스 간의 격차를 성공적으로 해소하여, 기존 전문가 워크플로우에 원활하게 통합되는 견고하고 유연하며 매우 정확한 솔루션을 제공합니다.