CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification
CytoFormer은 16개 장기의 쌍을 이룬 H&E 조직학 및 공간 전사체 데이터를 활용하여 병리학자의 수동 주석에 의존하지 않고도 정확하고, 레이블 효율적이며, 일반화 가능한 세포 분류를 달성하는 새로운 세포 파운데이션 모델이다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
의학계에서 인체의 내부를 들여다보는 가장 흔한 방법은 현미경을 통해 분홍색과 보라색 염료로 염색된 얇은 조직 절편을 관찰하는 것입니다. 이것은 암과 같은 질병을 진단하는 표준 방식입니다. 병리 전문의는 이 슬라이드를 보고 건강한 조직인지, 침입한 면역 세포인지, 아니면 변이된 종양 세포인지와 같이 존재하는 다양한 유형의 세포들을 식별합니다. 이러한 시각적 검사는 강력하지만, 느리고 주관적이며 규모를 키우기 어렵습니다. 눈으로 수백만 개의 개별 세포를 세는 것은 불가능하며, 서로 다른 세포 유형이 현미경 아래서 거의 동일하게 보일 때 전문가들조차 특정 세포가 무엇인지에 대해 의견이 일치하지 않을 수 있습니다. 수십 년 동안 컴퓨터가 이를 자동으로 수행하도록 가르치는 것이 꿈이었지만, 이를 구현하는 컴퓨터를 만드는 과정은 병목 현상에 부딪혀 왔습니다. 즉, 기계가 무엇을 찾아야 하는지 가르치기 위해 인간 전문가가 수백만 개의 세포를 일일이 수동으로 라벨링해야 한다는 점입니다. 이 수동 작업은 지루하고 비용이 많이 들며 종종 신뢰할 수 없기에, 이 분야는 진정으로 지능적인 시스템을 훈련시키기 위한 충분한 고품질 데이터를 확보하지 못하고 있습니다.
펜실베이니아 대학교의 연구진은 이러한 인간의 병목 현상을 완전히 우회할 방법을 찾아냈습니다. 연구진은 병리학자에게 세포를 라벨링해 달라고 요청하는 대신, 다른 종류의 생물학적 지도를 사용하여 컴퓨터를 가르쳤습니다. 그들은 표준적인 분홍색과 보파색 조직 슬라이드를 '공간 전사체학(spatial transcriptomics)'이라는 새로운 기술과 결합했는데, 이는 마치 분자 바코드 스캐너와 같은 역할을 합니다. 이 스캐너는 세포가 조직 안에 그대로 놓여 있는 상태에서 각 개별 세포 내부의 유전적 활동을 읽어냅니다. 유전 코드는 세포의 정체성에 고유하기 때문에, 연구자들은 인간의 추측 없이도 그 세포가 정확히 어떤 유형인지 알려줍니다. 연구진은 이러한 분자의 정체성을 표준 슬라이드의 해당 이미지와 일치시킴으로써 거대한 자기 지도 학습 데이터셋을 구축했습니다. 이를 통해 연구진은 '사이토포머(CytoFormer)'라는 새로운 인공지능 모델을 훈련시켰으며, 이 모델은 일상적인 현미경 이미지 속 세포의 모양과 질감만을 보고 세포 유형을 인식하는 법을 배웠습니다.
그 결과, 인간 전문가의 정확도에 필적하면서도 훈련 과정에서 세포 주변에 단 하나의 상자도 그릴 필요가 없는 시스템이 탄생했습니다. 연구진은 유방과 폐에서부터 뇌와 골수까지, 인체의 16가지 서로 다른 장기를 아우르는 81개의 서로 다른 조직 절편 데이터를 수집했습니다. 총 1500만 개 이상의 개별 세포를 처리했습니다. 컴퓨터는 각 세포에 대해, 염색된 이미지에서의 시각적 외형을 유전자 스캐너가 제공하는 특정 분자 정체성과 연관 짓는 법을 배웠습니다. 이를 통해 모델은 신체 전체에 적용 가능한 세포 형태의 보편적인 언어를 학습할 수 있었습니다. 모델이 한 번도 본 적 없는 새로운 조직 절연편으로 테스트했을 때, 평균 85%의 확률로 세포 유형을 정확히 식별해 냈습니다. 더 중요한 점은, 모델이 단순히 세포를 세는 것에 그치지 않고 조직의 전체 구조를 재구성하여 종양, 면역 세포, 그리고 건강한 구조물이 어디에 위치하는지를 정확하게 매핑함으로써 장기의 생물학적 경관을 효과적으로 재현해 냈다는 것입니다.
이 발견이 특히 중요한 이유는 모델이 새로운 상황에 지식을 전달하는 능력이 매우 뛰어나다는 점입니다. 연구진은 AI가 훈련 중에 접해보지 못한 장기와 세포 유형을 처리할 수 있는지 테스트했습니다. 연구진은 원래의 훈련 세트에 포함되지 않았던 대장이나 피부와 같은 장기의 세포를 포함하는 네 가지 공개 데이터 세트에 모델을 적용했습니다. 이 모델은 수백만 개의 수동 라벨링 이미지를 학습한 기존의 여섯 가지 주요 인공지능 시스템보다 뛰어난 성능을 보였습니다. 특히 세포들이 매우 유사하게 보이는 까다로운 시나리오, 예를 들어 정상적인 건강 조직과 이를 모방하는 암 조직을 구별하는 상황에서 탁월한 효과를 보였습니다. 한 테스트에서, 이 모델은 인간이 제공한 단 몇 백 개의 예시만으로도 정상 세포가 비슷하게 생긴 종양 세포들 사이에 숨어 있는 것을 찾아내는 법을 배웠으나, 다른 시스템들은 동일한 수준의 정확도에 도달하기 위해 훨씬 더 많은 예시를 필요로 했습니다. 이는 모델이 단순히 특정 세포 유형의 목록을 암기하는 것이 아니라, 환경 속에서 세포가 어떻게 보이는지에 대한 근본적인 시각적 규칙을 학습했음을 시사합니다.
연구진은 또한 컴퓨터가 정확한 식별을 하기 위해 주변 조직을 얼마나 많이 보아야 하는지도 탐구했습니다. 그들은 세포 자체만을 보여주는 아주 작은 뷰부터 이웃 전체를 보여주는 큰 뷰까지, 각 세포 주변의 이미지 창 크기를 다양하게 테스트했습니다. 연구진은 모델이 세포와 그 주변 이웃을 볼 수 있을 때 가장 잘 작동하지만, 조직 절편 전체를 볼 필요는 없다는 것을 발견했습니다. 이러한 균형은 컴퓨터가 세포 고유의 미세한 형태를 놓치지 않으면서도, 해당 세포가 혈관 속에 있는지, 종양 덩어리 속에 있는지, 혹은 건강한 선 조직 속에 있는지와 같은 맥적(context)을 이해할 수 있게 해주었습니다. 세포를 명확하게 보여주는 매우 작은 크기에 해당하는 이 특정 창 크기가 정확도의 최적점이었습니다.
유전자 스캐너의 분자 데이터를 시각적 인식을 위한 교육 도구로 전환함으로써, 연구진은 일반적인 조직 슬라이드에 적용할 수 있는 재사용 가능한 자원을 만들어냈습니다. 이 모델은 실행하기 위해 비싼 새로운 장비를 필요로 하지 않습니다. 이미 병원에서 매일 사용되고 있는 표준 슬라이드를 분석할 수 있습니다. 연구진은 코드와 훈련된 모델을 과학계에 공개하여 다른 이들도 이 새로운 방식의 세포 관찰법을 사용할 수 있도록 했습니다. 현재의 모델이 서로 매우 유사한 세포들(예를 들어 서로 다른 유형의 면역 세포들)을 외형이 비슷하다는 이유로 하나로 묶기도 하지만, 이는 커다란 진전입니다. 이는 우리가 수동 라벨링이라는 느리고 비용이 많이 드는 과정에 의존하지 않고도 강력한 세포 분석 도구를 구축할 수 있음을 증명합니다. 이 접근 방식은 수천 명의 환자에 걸친 수백만 개의 세포를 분석할 수 있는 문을 열어주며, 일상적인 현미경 슬라이드를 세포 활동의 상세한 지도로 변모시켜 의사들이 질병을 더 빠르고 정확하게 진단하는 데 도움을 줄 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.