Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning

기술 요약: 멀티태스크 학습을 활용한 라벨 없는 단일 세포 표현형 분석을 위한 접근

문제 제기
백혈구 (WBC) 의 정확한 특성 규명은 면역 조절 이상, 감염 및 혈액 종양을 진단하는 데 필수적입니다. 기존의 워크플로는 형광 기반 유세포 분석 또는 수동 염색 도말에 의존하는데, 이는 특수 장비 필요성, 형광 염료 표지, 높은 노동 강도 및 주관성 등의 한계를 안고 있습니다. 라벨 없는 광학 모드인 위상차 (DPC) 이미징은 확장 가능하고 비침습적인 대안을 제공하지만, 밝은 필드 (bright-field) 형태학으로부터 분자 표현형을 직접 추론하는 것은 여전히 어렵습니다. 기존 딥러닝 접근법은 대부분 백혈구 분석을 이산적 분류 문제로만 다루어 단백질 발현 수준의 연속적 스펙트럼을 간과합니다. 또한, 딥 신경망의 '블랙박스' 성격은 해석 가능한 생물학적 추론의 부재로 인해 임상 도입을 저해합니다. 본 연구는 미세하고 희소하게 분포된 형태학적 단서들이 표준 합성곱 풀링에 의해 쉽게 감쇠되는 복잡성을 안고 있는, 라벨 없는 단일 세포 DPC 이미지로부터 이산적 세포 유형과 연속적 단백질 발현 수준을 동시에 예측하는 난제를 해결합니다.

방법론
저자들은 다채널 DPC 이미지로부터 백혈구 분류와 연속적 단백질 발현 회귀를 동시에 수행하는 통합 딥러닝 (DL) 프레임워크를 제안합니다. 이 아키텍처는 세 가지 주요 구성 요소로 이루어집니다:

1. 하이브리드 듀얼 브랜치 인코더: 모델은 상호 보완적인 형태학적 단서를 포착하기 위해 국소 및 글로벌 표현을 융합합니다.

   • CNN 브랜치: 스템 (stem) 과 잔여 연결이 포함된 인셉션 스타일 모듈을 활용하여 세밀한 국소 질감 특징 (예: 막 윤곽, 핵 질감, 과립) 을 추출합니다. 입력을 공간 토큰으로 처리합니다.
   • ViT 브랜치: 컴팩트한 비전 트랜스포머 (ViT) 를 사용하여 자기 주의를 통해 글로벌 공간 의존성을 모델링하며, 합성곱 커널이 놓칠 수 있는 전체 세포 모양이나 편극과 같은 장거리 구조적 단서를 포착합니다.
   • 크로스-모달 퓨전: 학습 가능한 퓨전 메커니즘이 CNN 과 ViT 브랜치에서 나온 이질적인 표현을 통합합니다. 두 브랜치에서 글로벌 특징을 추출하여 공유 공간으로 투영한 후, 해석 가능한 기여도 분석을 보장하기 위해 소프트맥스로 정규화된 학습 가능한 가중치를 사용하여 결합합니다.

2. 태스크 적응형 게이트 메커니즘: 상충되는 그래디언트 역학을 가진 태스크 간의 부정적 전이를 완화하기 위해 프레임워크는 게이트 메커니즘을 사용합니다. 이 모듈은 분류 및 회귀 경로 간의 특징 공유를 동적으로 조절합니다. 시그모이드 활성화 선형 계층을 통해 소프트 게이트를 생성하여 태스크별 특징 보존과 다른 태스크의 혼합 정보 통합 사이의 균형을 결정함으로써, 명시적 감독 없이도 본질적 의존성 (예: CD3 발현과 연관된 T 세포 분류) 을 학습할 수 있게 합니다.

3. 멀티태스크 예측 헤드: 공유된 퓨전 표현은 태스크별 경로 (잔여 연결, 배치 정규화, 드롭아웃이 포함된 MLP) 를 거쳐 정제된 후 별도의 헤드로 전달됩니다:

   • 분류 헤드는 정규화를 위해 높은 드롭아웃 (0.4) 을 가진 3 층 MLP 를 사용하여 백혈구 클래스 확률을 출력합니다.
   • 회귀 헤드는 제한 없는 연속적 예측을 가능하게 하기 위해 최종 활성화 함수 없이 4 가지 단백질 마커 (CD45, CD3, CD19, CD14) 의 연속 값을 출력합니다.

4. LLM 기반 해석 가능성: 투명성을 높이기 위해 사후적으로 대규모 언어 모델 (Gemini 1.5 Pro) 이 통합됩니다. 이는 정량적 예측을 간결하고 생물학적으로 근거 있는 텍스트 요약으로 변환합니다. 생성은 환각을 방지하기 위해 템플릿 기반 프롬프팅으로 제한되어, 출력이 모델 예측에서 비롯된 엄격한 사실에 기반하도록 보장합니다.

손실 함수
모델은 가중 멀티태스크 목적 함수를 사용하여 훈련됩니다:

• 분류 손실 ($L_{cls}$): 불균형을 처리하고 잘 분류된 샘플을 억제하기 위해 클래스 가중치가 적용된 포커스 손실 (Focal loss).
• 회귀 손실 ($L_{reg}$): 이상치에 대한 안정성을 위한 Smooth L1 손실과 마커 강도의 상대적 순서를 보존하기 위한 피어슨 상관 정렬 항의 조합.
• 보조 손실 ($L_{aux}$): 공유 및 태스크별 경로 간의 특징 수준 일관성을 강제하기 위해 중간 퓨전 표현을 정규화합니다.

실험 결과
본 프레임워크는 버클리 단일 세포 계산 현미경 (BSCCM) 데이터셋과 혈액 세포 이미지 (BCCD) 데이터셋에서 평가되었습니다.

• 분류 성능: BSCCM 테스트 분할에서 제안된 모델은 **91.3%**의 정확도를 달성하여 VGG(88.3%), AttentionCNN(89.6%), ResNet(86.2%) 을 포함한 강력한 베이스라인을 능가했습니다. BCCD 데이터셋 (전통적 밝은 필드) 에서는 0.933의 매크로 평균 F1 점수를 달성하여 성공적인 일반화를 입증했습니다.
• 회귀 성능: BSCCM 의 단백질 발현 회귀에 대해 모델은 0.7263의 피어슨 상관 계수를 달성했으며, RMSE 는 0.6801, MAE 는 0.4416 이었습니다. 이는 단일 태스크 및 단일 백본 베이스라인 (예: DenseNet 은 r=0.7246 달성) 을 모두 능가했습니다.
• 마커별 분석: 성능은 마커에 따라 다양했습니다. 강한 형태학적 상관관계를 가진 계통 특이적 마커 (예: CD16, r=0.819; CD45, r=0.799) 는 높은 정확도로 예측되었습니다. 반면, 일시적 활성화 상태를 반영하는 마커 (예: CD123/HLA-DR/CD14) 는 낮은 상관관계 (r=0.339) 를 보여, 라벨 없는 형태학이 동적 기능 상태를 예측하기 위한 분자 분석을 완전히 대체할 수 없음을 시사했습니다.
• 애블레이션 연구: ViT 브랜치를 제거하면 정확도가 1.58% 감소하고 회귀 상관관계가 0.0335 감소했습니다. CNN 브랜치를 제거하면 더 큰 저하가 발생하여 국소 질감 추출의 필요성이 확인되었습니다. 단일 태스크 변형은 멀티태스크 모델보다 성능이 낮아, 공동 최적화가 정규화제 역할을 하고 특징 표현을 선명하게 한다는 것이 입증되었습니다.

주요 기여

1. 통합 멀티태스크 프레임워크: 화학적 염색 없이 라벨 없는 DPC 이미지로부터 백혈구 클래스와 단백질 발현 수준을 동시에 예측하는 새로운 접근법.
2. 하이브리드 아키텍처: 학습 가능한 퓨전 계층을 통해 다중 스케일 합성곱 질감 특징과 트랜스포머 기반 글로벌 표현을 결합한 듀얼 브랜치 인코더.
3. 태스크 적응형 게이트: 그래디언트 역학을 관리하여 분류 및 회귀 정확도 모두를 향상시키는 공유 및 태스크별 정보 균형을 맞추는 메커니즘.
4. 해석 가능성 통합: 표준 주의 시각화를 넘어 모델 투명성을 진전시키기 위해 생물학적으로 근거 있는 요약 생성을 위한 제한된 LLM 모듈의 통합.

의의 및 주장
본 논문은 라벨 없는 DPC 현미경으로부터 마커 수준 단백질 발현을 회귀하고 백혈구 표현형을 분류하는 것을 동시에 수행한 초기 연구 중 하나라고 주장합니다. 결과는 비용 효율적인 혈액학적 프로파일링을 위한 라벨 없는 단일 세포 이미징의 가능성을 강조하며, 형광 염색 없이 동시에 표현형 식별과 정량적 생체 표지자 추정을 가능하게 합니다. 저자들은 그들의 접근법이 염색되지 않은 형태학으로부터 기능적 표현형을 복원할 수 있음을 입증했다고 주장합니다. 그러나 그들은 겸손하게 한계를 지적합니다: 높은 형태학적 모호성을 가진 세포 유형 (예: 단핵구 vs 림프구) 의 경우 모델 성능이 한계에 도달하며, 안정적인 형태학적 서명이 없는 동적 활성화 상태 예측을 위한 분자 분석을 완전히 대체할 수는 없다는 점입니다. 이 연구는 해석 가능한 계산 혈액학을 위해 구조화된 예측과 제어된 언어 생성을 결합할 수 있는 잠재력을 강조합니다.