Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images

기술 요약: 폐암 조직병리 이미지에서 STAS 예측 및 반자동 국소화를 위한 확산 어텐션 전문가 모델

문제 제기
공기 공간 전파 (STAS) 는 폐선암에서 중요한 침윤 양상으로, 종양 가장자리를 넘어 정상 폐포 공간으로 확장되는 미세유두상 클러스터, 고형 둥지, 또는 고립된 암세포로 특징지어집니다. STAS 는 불량한 예후의 독립적 예측 인자로서, 수술 후 재발률과 사망률을 현저히 증가시킵니다. 정확한 진단은 수술적 결정 (예: 폐엽절제술 대 아엽절제술) 을 안내하고 보조 요법의 필요성을 판단하는 데 필수적입니다. 그러나 동결 절편 (FSs) 과 파라핀 절편 (PSs) 에서의 STAS 조직병리학적 평가는 노동 집약적이고 시간이 많이 소요되며, 관찰자 간 변이, 진단 누락 및 오진에 취약합니다. 주요 과제로는 동결 절편에서의 형태학적 왜곡 (예: 세포 접힘, "칼에 의한 전파" 인공물), 샘플링 한계, 그리고 특히 자원이 제한된 지역에서 숙련된 병리학자의 부족이 있습니다. 딥러닝 (DL) 이 잠재력을 보였음에도 불구하고, 기존 모델들은 대규모 다기관 외부 데이터셋에 대한 광범위한 검증을 거치지 못했으며, 탐지와 국소화를 위해 다중 스케일 특징과 종양 미세환경 (TME) 맥락을 완전히 활용하지 못했습니다.

방법론
저자들은 STAS 를 탐지하고 주요 종양으로부터의 거리를 반자동으로 국소화하도록 설계된 딥러닝 프레임워크인 확산 어텐션 전문가 모델 (DAEM) 을 제안합니다.

• 데이터 수집 및 전처리: 본 연구는 내부 훈련 및 검증을 위해 제 2 향야병원 (SXH-CSU) 의 2,758 개 전체 슬라이드 이미지 (WSIs) 로 구성된 후향적 다기관 데이터셋과, 향야병원, 제 3 향야병원, 정저우대학교 부속 종양병원, 그리고 공개 데이터셋인 TCGA_LUAD 및 CPTAC_LUAD 를 포함한 8 개의 외부 검증 코호트를 활용했습니다. 이미지는 조직 분할 (Otsu 알고리즘), 색상 정규화 (Macenko), 그리고 패치 추출 (20 배 확대 시 256×256 및 512×512) 을 포함한 전처리를 거쳤습니다.
• 특징 추출 및 그래프 구성:
  • 다중 스케일 특징: 사전 훈련된 CTransPath 모델 (Swin Transformer 기반) 이 패치 특징을 추출합니다.
  • 공간 위상: 패치 좌표를 기반으로 K-최근접 이웃 (KNN) 알고리즘을 사용하여 공간적 위상 그래프 ($G_l, G_s$) 를 구성하여 공간적 관계를 포착합니다.
  • TME 특징: HD-Yolo 모델이 세포 (종양, 기질, 면역 등) 를 분할 및 분류하여 TME 특이적 공간 그래프 ($G_{TME}$) 를 구성합니다.
• DAEM 아키텍처:
  • 다중 스케일 그래프 합성곱 (MSGC): 병렬 SAGEConv 레이어, LeakyReLU, LayerNorm, Dropout 을 사용하여 공간 위상 그래프를 처리하며, 이웃 정보를 집계하고 노드 특징을 업데이트합니다.
  • 확산 어텐션 전문가 모듈 (DAEM): 두 개의 병렬 전문가 모듈이 확산 어텐션 메커니즘 (DAM) 을 활용합니다. 열역학적 열 전도에 영감을 받아 DAM 은 노드 간 신호 확산을 시뮬레이션하여 표현을 업데이트합니다. 이는 가변적인 특징 길이를 처리하기 위해 적응형 풀링을 사용하고, 확산 행렬을 통해 노드 영향을 동적으로 조정하며, 에너지 함수를 통해 특징 일관성을 최적화합니다.
  • 이중 분기 집계: 모델은 다중 스케일 특징 표현을 강화하기 위해 이중 분기 아키텍처를 사용합니다.
• 훈련 전략: 모델은 지도 대비 손실 (Supervised Contrastive Loss) (동일 클래스의 특징 정렬), 평균 제곱 오차 (MSE) 손실 (전문가 출력 간 일관성 제약), 그리고 교차 엔트로피 손실 (최종 분류) 의 조합으로 훈련됩니다.
• 반자동 국소화: STAS 양성 사례의 경우, 시스템은 세포 공간 지도를 통합하여 주요 종양 경계와 STAS 병소를 식별하고, 상호작용 웹 기반 플랫폼을 통해 유클리드 거리를 계산할 수 있게 합니다.

주요 기여

1. 새로운 아키텍처: 다중 스케일 병리학적 특징과 TME 맥락을 효과적으로 학습하기 위해 확산 어텐션 메커니즘과 이중 분기 전문가 구조를 통합한 DAEM 의 도입.
2. 이중 절편 능력: 모델은 수술 중 동결 절편 (FSs) 과 수술 후 파라핀 절편 (PSs) 모두에서 STAS 를 진단할 수 있어, 수술 중 의사결정의 중요한 격차를 해소합니다.
3. 반자동 국소화: 이전의 탐지만 가능한 모델들과 달리, DAEM 은 TME 세포 분포를 분석하여 STAS 전파 병소로부터 주요 종양까지의 거리를 반자동으로 측정할 수 있게 합니다.
4. 생체표지자 발견: 본 연구는 정량적 TME 지표 (기질 - 종양 비율 [STR], 면역 - 종양 비율 [ITR], 모세혈관 밀도 [MVD]) 를 STAS 의 잠재적 생체표지자로, 그리고 미세유두형 STAS 에 대해서는 MVD/기질 - 혈관 비율 (SVR) 을 생체표지자로 규명했습니다.
5. 광범위한 검증: 모델은 내부 데이터셋과 8 개의 외부 독립 코호트에서 검증되어 다양한 의료 센터와 데이터 소스 전반에 걸쳐 강력한 일반화 능력을 입증했습니다.

결과

• 내부 성능: SXH-CSU 내부 데이터셋에서 DAEM 은 동결 절편 (FSs) 에서 0.8946의 곡선 하 면적 (AUC) 을, 파라핀 절편 (PSs) 에서 0.9112의 AUC 를 달성했습니다. 이는 CLAM, DSMIL, TransMIL, PatchGCN 등 수많은 최신 (SOTA) MIL 및 그래프 기반 베이스라인보다 통계적으로 유의미하게 ($P < 0.01$) 우수한 성능을 보였습니다.
• 외부 일반화성: 8 개의 외부 데이터셋 (고급 의료 센터 및 공개 데이터셋 포함) 에 대한 검증 결과, AUC 는 0.7957 에서 0.8642까지 다양했습니다. 센터 간 성능이 약간 변동되었으나 (데이터 품질 및 염색 차이로 인한), 모델은 일관되게 강력한 진단 능력을 보였으며 여러 환경에서 주임 병리학자의 성능을 초과했습니다.
• 해석 가능성: 다중 스케일 히트맵 (10 배 및 20 배) 시각화는 DAEM 의 고어텐션 영역이 병리학자가 주석한 STAS 영역, 종양 덩어리, 그리고 특정 형태학적 특징 (예: 핵 이형성, 부유 클러스터) 과 밀접하게 일치함을 확인했습니다.
• 예측 가치: Kaplan-Meier 생존 분석 결과, STR, ITR, MVD 의 높은 발현은 STAS 양성 환자에서 전반적인 생존율의 현저한 저하 및 재발 위험 증가와 유의하게 연관되었습니다.

의의 및 주장
본 논문은 DAEM 이 STAS 평가에 대한 임상적으로 실행 가능한 프레임워크를 제공한다고 주장합니다. FSs 와 PSs 모두에서 정확한 탐지를 가능하게 함으로써, 이는 수술 중 수술적 의사결정 (예: 절제 범위 결정) 과 수술 후 위험 계층화를 지원합니다. 반자동 국소화 도구는 병리학자가 예후와 관련된 요소인 STAS 거리를 정량화하는 데 실용적인 도움을 제공합니다. 또한, TME 기반 생체표지자 (STR, ITR, MVD, SVR) 의 규명은 STAS 메커니즘 이해에 기여하고 정밀 의학을 위한 잠재적 표적을 제공합니다. 저자들은 이 모델이 병리학자 부족과 객관적이고 신속한 진단의 필요성, 특히 의료 자원이 고르지 못한 지역에서 이를 해결한다고 강조합니다. 본 연구는 이미지 인공물로 인한 위양성/위음성 및 도메인 적응에 대한 추가 최적화 필요성과 같은 한계를 인정하면서도, DAEM 을 일상적인 폐암 병리 워크플로우에 AI 를 통합하는 중요한 단계로 위치시킵니다.