기술적 요약: 공간 도메인 이해를 위한 병리학 기초 모델 벤치마킹

문제 제기

병리학 기초 모델 (PFMs) 은 전체 슬라이드 이미지 (WSI) 로부터 전이 가능한 표현을 학습하는 주된 접근법으로 자리 잡았습니다. 현재의 벤치마킹 노력은 주로 돌연변이 예측, 생존 모델링, 암 아형 분류와 같은 다운스트림 임상 종결점에 초점을 맞추고 있습니다. 이러한 작업 수준의 평가는 실용적 유용성에 필수적이지만, 표현 자체가 무엇을 인코딩하는지 특징짓는 데는 실패합니다. 구체적으로, PFM 임베딩이 의미 있는 조직 영역을 효과적으로 구분하고 조직 절편 내에서의 공간적 연속성 및 이웃 관계를 포착할 수 있는지에 대한 통찰력이 부족합니다. 기존 평가들은 작업별 헤드가 추가되기 전에 임베딩이 해부학적 또는 기능적 영역을 어느 정도 분리하는지에 대해 직접적으로 답하지 못합니다.

방법론: SpaPath-Bench

이 격차를 해소하기 위해 저자들은 PFMs 의 공간 표현 능력을 진단하기 위해 설계된 표현 수준 벤치마크인 SpaPath-Bench를 도입합니다. 이 벤치마크는 짝지어진 전체 슬라이드 이미지 (WSI) 와 공간 전사체학 (ST) 데이터를 기반으로 한 **공간 도메인 식별 (SDI)**을 진단 작업으로 공식화합니다.

벤치마크 파이프라인

이 파이프라인은 스팟 수준의 특징 추출부터 도메인 분할까지의 과정을 표준화합니다:

1. 스팟 정렬 WSI 샘플링: 각 공간 전사체학 스팟에 대해 짝지어진 H&E 이미지에서 대응하는 조직학 패치를 추출합니다.
2. 기초 모델 임베딩: 사전 훈련된 인코더 (PFMs 또는 베이스라인) 가 각 패치에 대한 임베딩을 생성합니다. 이러한 임베딩은 잠재 차원이 가상 유전자로 작용하는 "의사 발현 (pseudo-expression)" 행렬로 간주됩니다.
3. 공간 표현 모듈: 공간적 맥락을 통합하기 위해 임베딩은 두 가지 경로를 통해 변환됩니다:
   • 비공간 베이스라인: 주성분 분석 (PCA).
   • SDI 기반: 스팟 좌표로부터 공간 이웃 그래프를 구성하여 공간적으로 정보화된 표현을 학습하는 그래프 기반 방법 (예: SpaGCN, CCST, SEDR).
4. 제어된 분할 판독: 생성된 공간 표현은 클러스터링 알고리즘 (K-means, Louvain, Leiden) 을 사용하여 도메인으로 분할됩니다.
5. 지표 계산: 생성된 분할은 세 가지 상호 보완적 기준에 대해 평가됩니다.

평가 지표

이 벤치마크는 3 가지 방식의 평가 프로토콜을 사용합니다:

• 비지도 공간 일관성 (참조 없음): CHAOS(공간 분산), 패치 인접 점수 (PAS), 평균 실루엣 너비 (ASW) 와 같은 지표를 사용하여 고유한 공간 품질을 측정합니다.
• 전사체학 참조 일치: 레이블이 없는 슬라이드의 경우, 동일한 SDI 파이프라인을 사용하여 상위 2000 개 고변이 유전자 (HVG) 로부터 구성된 프록시 참조와 PFM 임베딩에서 유도된 분할을 비교합니다. 이는 형태학에서 유도된 패턴과 분자적으로 정의된 도메인 간의 정렬을 평가합니다.
• 전문가 참조 일치: 수동 해부학 주석 (예: DLPFC 층) 이 있는 슬라이드의 경우, 분할을 조정된 랜덤 지수 (ARI), 정규화 상호 정보 (NMI), 동질성 (HOM), 완전성 (COM) 을 사용하여 실제 값 레이블과 비교합니다.

실험 범위

• 데이터셋: 42 개의 공개된 짝지어진 WSI-ST 슬라이드로 구성되며, 전문가가 주석을 단 코호트 (12 개의 인간 DLPFC 슬라이드) 와 레이블이 없는 코호트 (다양한 조직에 걸친 30 개의 인간 및 마우스 슬라이드) 를 포함합니다.
• 모델: 19 개의 인코더가 평가되었으며, 순수 비전 PFM, 비전 - 언어 PFM, 비전 - 오믹스 모델, 자연 이미지 베이스라인으로 분류됩니다.
• 규모: 이 연구는 19 개의 인코더, 7 개의 SDI 방법, 여러 클러스터링 알고리즘, 3 개의 무작위 시드를 포함하여 총 83,000 회 실행됩니다.

주요 결과

• 파이프라인 안정성: 통계 분석 (윌콕슨 부호 순위 검정) 은 벤치마크 결과가 무작위 시드에 걸쳐 견고하며 지표 분포에 유의미한 차이가 없음을 확인했습니다.
• 모델 성능:
  • H-Optimus-1은 전사체 프록시 (HVG) 에 대해 평가되었을 때 가장 높은 전체 순위를 달성하여, 자기지도 학습이 정교한 분자 이질성을 효과적으로 포착함을 시사합니다.
  • MUSK(비전 - 언어 모델) 는 전문가가 주석을 단 DLPFC 슬라이드에서 가장 높은 성능을 기록하여, 비전 - 언어 사전 훈련이 인간이 정의한 거시 구조적 의미와 더 잘 정렬될 수 있음을 나타냅니다.
  • 순수 비전 모델은 일반적으로 자연 이미지 베이스라인보다 우수한 성과를 보였으나, 비전 - 언어 모델이 모든 맥락에서 순수 비전 대응 모델보다 일관되게 뚜렷한 우위를 보인 것은 아닙니다.
• 공간 표현 효과성: CCST(그래프 클러스터링) 방법과 Leiden 클러스터링을 결합한 것이 모든 지표에서 가장 우수한 집계 성능을 보이며 PCA 베이스라인을 능가했습니다. 이는 전체 슬라이드 대비 학습을 통합하는 것이 전체적인 조직 이해를 위해 지역적 맥락을 집계하는 데 도움이 됨을 시사합니다.
• 정성적 발견:
  • 미세한 형태학적 전환이 있는 조직 (예: 대뇌 피질 층) 에서 조직학 기반 분할은 고수준 신경해부학적 맥락이 국소 H&E 외관으로 완전히 결정되지 않기 때문에 전문가 주석과 부분적인 일치만 보였습니다.
  • 뚜렷한 구조적 이질성을 가진 조직 (예: 난소 암) 에서 PFM 기반 도메인은 거시적 경계와 일치하는 뚜렷한 미세 환경을 성공적으로 구획했습니다.

중요성 및 주장

이 논문은 SpaPath-Bench 가 다운스트림 작업 성능을 넘어 병리학 표현을 이해하기 위해 필요한 진단 계층을 제공한다고 주장합니다. 서로 다른 사전 훈련 패러다임이 조직 공간 구조의 서로 다른 측면을 포착한다는 점을 드러냄으로써, 이 벤치마크는 차세대 공간 인식 계산 병리학 모델을 구축하기 위한 실용적인 지침을 제공합니다.

저자들은 SpaPath-Bench 를 형태학과 공간 오믹스를 더 잘 통합하는 보다 견고하고 맥락을 인식하는 병리학 표현을 개발하기 위한 시험대로 위치시킵니다. 이 연구는 현재 PFMs 이 강력하지만, 공간 이웃 일관성과 영역 분리성을 인코딩하는 능력은 사전 훈련 패러다임에 따라 크게 달라지며, 계산 병리학에서 공간 정보를 완전히 활용하기 위해서는 특정 아키텍처 또는 훈련 조정이 필요함을 강조합니다.