🔬 pathology

PRECISE: Benchmarking digital pathology with expert-annotated contiguous IHC-H&E serial prostate sections

본 논문은 전립선 병리학의 전체 형태학적 스펙트럼에 대한 픽셀 수준의 의미론적 분할을 통해 AI 보조 진단을 발전시키기 위한 강력한 멀티모달 벤치마크 역할을 하도록 설계된, 전문가가 주석을 달고 공간적으로 조화된 H&E 및 IHC 연속 전립선 생검 절편을 포함하는 최초의 공개 가능한 데이터셋인 PRECISE를 소개한다.

원저자: Calapaqui Teran, A. K., Gonzalez Bernad, A. A., Cobo Cano, M., Sanchez Magdaleno, L., Marcos Gonzalez, S., Delgado Bolton, R. C., Moustafa Calvo, J., Gomez Roman, J. J., Lara, L.

게시일 2026-07-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Calapaqui Teran, A. K., Gonzalez Bernad, A. A., Cobo Cano, M., Sanchez Magdaleno, L., Marcos Gonzalez, S., Delgado Bolton, R. C., Moustafa Calvo, J., Gomez Roman, J. J., Lara, L.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 아주 작고 보이지 않는 도시 내부의 미스터리를 풀려는 탐정이라고 상상해 보세요. 이 도시는 세포들로 이루어져 있으며, 때때로 몇몇 세포들이 암(cancer)이라는 이름의 말썽꾸러기로 변하기도 합니다. 이들을 찾아내기 위해 의사들은 세포 도시의 거대하고 고해상도인 사진을 찍는 특별한 종류의 현미경을 사용합니다. 이 사진들을 "전체 슬라이드 이미지(Whole Slide Images)"라고 부릅니다. 보통 탐정은 세포들을 색칠하기 위해 표준적인 파란색과 분홍색 물감(H&E라고 불리는)을 사용합니다. 이것은 마치 흑백 지도와 같아서, 형태는 볼 수 있지만 때로는 말썽꾸러기들이 착한 세포들과 너무 비슷하게 생겨서 구별하기 어려울 때가 있습니다. 탐정이 혼란에 빠지면, 그는 특정 세포를 밝게 빛나게 하여 누가 진짜인지 증명해 주는 특별한 "형광펜" 물감(IHC라고 불리는)을 사용하여 두 번째 의견을 요청합니다. 이 두 단계의 과정—지도를 보고, 그다음 형광펜을 확인하는 것—이 현재 의사들이 가장 어려운 사건들을 해결하는 방식입니다. 하지만 컴퓨터에게 이 탐정 업무를 가르치는 것은 매우 어려웠는데, 대부분의 컴퓨터 학습 세트가 파란색과 분홍색 지도만을 보여주어 컴퓨터가 언제 형광펜이 필요한지 추측하게 만들기 때문입니다.

여기서 PRECISE라는 새로운 프로젝트가 등장합니다. PRECISE를 컴퓨터 탐정들을 위한 최초의 "이중 언어" 훈련 매뉴얼이라고 생각해보세요. 연구진은 컴퓨터에게 단 하나의 사진만 주는 대신, 모든 파란색과 분홍색 지도가 그에 딱 맞는 형광펜 지도와 완벽하게 쌍을 이루도록 만든 데이터셋을 만들었습니다. 그들은 전립선 조직 샘포 37개를 25명의 환자로부터 가져와 27세트의 쌍을 이룬 이미지 세트를 만들었습니다. 이것이 특별한 이유는 두 명의 전문 병리학자(인간 탐정)가 단순히 보기만 한 것이 아니라, 파란색과 분홍색 버전과 형광펜 버전 모두에 상세한 지도를 그려서 암 세포, 착한 세포, 그리고 까다로운 "암 같은" 세포들이 정확히 어디에 있는지 표시했기 때문입니다. 그들은 심지어 자신들의 지도가 100% 정확하다는 것을 확인하기 위해 형광펜 물감을 "진실의 탐지기"로 사용했습니다. 그 결과, 다른 컴퓨터 데이터셋들이 흔히 무시하는 희귀하고 혼란스러운 조직들을 포함하여 7가지 다른 유형의 조직을 아우르는 24,387개의 라벨링된 영역이 담긴 거대한 라이브러리가 탄생했습니다.

이 논문은 컴퓨터가 이제 암을 치료할 수 있다거나 이 데이터셋이 모든 문제를 해결한다고 주장하는 것이 아닙니다. 대신, 이 새로운 자원이 더 나은 AI를 구축하도록 돕는 강력한 도구가 될 수 있음을 시사합니다. 저자들은 데이터를 측정하였고, 컴퓨터가 색상만으로 암과 정상 세포를 구분할 수 있는 경우도 있지만, 전문가의 눈 없이는 확신하기 어려운 중첩 구간이 여전히 많다는 것을 발견했습니다. 이 팀은 이 쌍을 이룬 전문가 주석 이미지를 제공함으로써, AI가 인간이 보는 미묘한 차이를, 특히 표준 지도가 충분하지 않은 까다로운 사례에서 포착하는 법을 배우도록 돕기를 희망합니다. 그들은 데이터가 단 하나의 병원과 특정 환자 그룹에서 왔기 때문에, AI가 다른 모든 곳에서 완벽하게 작동하기 전에는 추가적인 연습이 필요할 수 있다는 점을 주의 깊게 언급했습니다. 하지만 현재로서 PRECISE는 과학자들이 의사들이 실제로 일하는 방식인 실제 '두 단계 방식'에 맞춰 디지털 탐정을 훈련시킬 수 있도록 독특하고 열린 초대를 제공하며, 이는 잠재적으로 미래에 더 빠르고 정확한 진단으로 이어질 수 있습니다.

기술 요약: 전립선 병리에 관한 PRECISE 데이터셋

문제 제기
강건하고 일반화 가능한 전립선암 진단용 딥러닝(DL) 모델의 개발은 고충실도(high-fidelity) 다중 모달리티 학습 데이터의 부족으로 인해 지연되고 있다. PANDA 또는 TCGA-PRAD와 같은 기존의 공개 저장소는 주로 단일 모달리티(H&E) 데이터만을 제공하며, 이들은 거친 수준의 주석(예: 슬라이드 수준의 글리슨 점수)이나 이진 분류(종양/양성)에 그치는 경우가 많다. 이러한 리소스들은 임상 현장에서 마주하는 전체 형태학적 스펙트럼, 즉 희귀한 전구 병변(예: 고등급 전립선 상피내 종양[HGPIN], 관내 암종[IDC-P])이나 혼란을 주는 개체(예: 기질 변화, 아티팩트)를 포착하지 못하는 경우가 많다. 또한, 현재의 데이터셋들은 형태학적 불확명성을 해결하기 위해 면역조직화학(IHC)을 보조 도구로 사용하는 표준적인 2단계 임상 진단 워크플로우를 반영하지 못한다. H&E 및 IHC 쌍(paired) 사이의 공간적으로 조화된 픽셀 수준의 전문가 주석이 부재하다는 점은, 진단적 합의를 재현할 수 있는 다중 모달 AI 시스템을 훈련시키는 데 있어 병목 현상을 일으킨다.

방법론
저자들은 25명의 고유 환자로부터 얻은 37개의 전립선 핵 생검(CNB) 샘플로 구성된 하이브리드 조직병리학 데이터셋인 PRECISE(PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions)를 제시한다.

데이터 획득: 검체는 표준 직장 생검을 통해 처리되었으며, 포르말린에 고정된 후 파라핀에 매립되었다. 연속 절편(3 µm 두께)이 생성되었다: 기본 절편은 헤마톡실린 및 에오신(H&E)으로 염색되었고, 바로 인접한 절편은 고분자량 사이토케라틴(HMWCK)과 $\alpha$ -메틸아실-CoA 라세마제(AMACR)의 이중 면역조직화학 칵테일로 염색되었다.
디지털화: 3DHISTECH P250 및 P1000 전슬라이드 스캐너를 사용하여 20배 배율로 스캔되었으며, 0.243 µm/pixel의 공간 해상도를 가진 이미지를 생성하였다. 데이터는 LZW 무손실 압축이 적용된 피라미드형 OME-TIFF 파일로 내보내졌다.
주석 워크플로우: 두 명의 숙련된 비뇨기과 병리 전문의(경력 8년 및 10년)가 엄격한 3단계 합의 과정을 수행하였다.
1. 독립적 트레이싱: 한 명의 병리 전문의가 H&E 및 IHC 슬라이드 모두에서 모든 관련 구조를 주석 처리하였다.
2. 검토: 두 번째 병리 전문의가 주석의 일관성과 경계 일치 여부를 검토하였다.
3. 합의: 두 전문가는 공동 검토를 통해 불일치를 해결하였다.
- 그라운드 트루스(Ground Truth): IHC 슬라이드(특히 기저 세포를 위한 HMWCK 및 racemase 발현을 위한 AMACR)는 까다로운 클래스의 정밀한 경계를 정의하는 생물학적 그라운드 트루스로 사용되었다.
클래스: 데이터셋은 진단적으로 중요한 7가지 클래스를 포함한다: 악성 선(종양), 양성 선, 기질 조직, HGPIN, 관내 암종(IDC-P), 비정형 관내 증식(AIP), 그리고 조직 아티팩트.
기질 생성: 대부분의 클래스는 수동으로 주석 처리되었으나, "기질(Stroma)" 클래스는 레이블이 지정되지 않은 조직 영역을 채우기 위한 강도 임계값 설정 및 형태학적 정교화 과정을 포함하는 자동화된 파이프라인을 통해 생성되어 완전한 의미론적 커버리지를 보장하였다.
조화(Harmonization): 주석은 "의미론적으로 조화(semantically harmonized)"되었다. 즉, 연속 절편 간의 대응하는 조직 영역은 일관된 클래스 레이블을 공유한다. 그러나 저자들은 연속 절편 과정 중 발생하는 물리적 조직 변형으로 인해 추가적인 탄성 등록(elastic registration) 없이는 완벽한 픽셀 대 픽셀 기하학적 등록이 보장되지 않음을 명시적으로 언급하였다.

주요 기여

최초의 공개 하이브리드 데이터셋: PRECISE는 전문가의 픽셀 수준 주석이 두 모달리티 간에 조화롭게 적용된, 쌍을 이루는 연속적인 H&E 및 IHC 전슬라이드 이미지를 제공하는 최초의 공개 데이터셋이다.
임상 워크플로우 모사: 데이터셋 구조는 임상적인 "H&E 후 IHC" 워크플로우를 직접적으로 재현하여, 진단적 불확실성을 해결하도록 설계된 다중 모달 AI 시스템의 현실적인 토대를 제공한다.
세밀한 클래스 다양성: 이진 분류 데이터셋과 달리, PRECISE는 HGPIN, IDC-P, AIP 및 아티팩트를 포함한 전체 형태학적 스펙트럼을 포착하며, 총 24,387개의 전문가 검증 주석을 보유하고 있다.
AI 준비성: 데이터는 딥러닝 파이프라인을 위한 추가적인 수동 전처리가 필요하지 않도록, 대응하는 세그멘테이션 마스크(클래스 ID 0–7을 가진 uint8 배열)와 함께 사용 가능한 형식(피라미드형 OME-TIFF)으로 제공된다.
오픈 사이언스: 데이터셋과 다중 모달 시각화, 형태학적 정교화, QuPath 자동화를 포함한 부속 코드는 CC-BY 4.0 및 Apache 2.0 라이선스 하에 공개된다.

결과 및 검증

데이터셋 통계: 데이터셋은 27개의 WSI(25명의 피험자)로 구성되며, 총 24,387개의 주석 영역을 포함한다. 분포는 종양(H&E 인스턴스 5,347개)과 기질(H&E 인스턴스 8,107개) 쪽으로 크게 치우쳐 있으며, IDC-P(5개 인스턴스) 및 AIP(3개 인스턴스)와 같은 희귀 클래스는 적은 수를 나타낸다.
색채 분석: 색상(특히 적색을 나타내는 a 채널)을 나타내는 CIELAB 색 공간에 대한 예비 분석 결과, 종양 영역이 양성 선보다 높은 a 값을 보이지만 상당한 중첩이 존재함이 밝혀졌다(색상 전용 분류기의 AUROC는 0.913). 이는 색상만으로는 구분이 불충분함을 확인시켜 주며, 전문가의 형태학적 주석의 필요성을 강조한다.
한계점 인정: 저자들은 본 데이터가 단일 센터(스페인 산탄데르) 데이터이므로 다른 스캐너나 염색 프로토콜에 대한 일반화가 제한될 수 있음을 언급하였다. 클래스 불균형은 지도 학습에 있어 도전 과제가 된다. 또한, 연속 절편 간의 픽셀 단위 완벽한 등록이 보장되지 않는다는 점은 엄격한 기하학적 정렬을 요구하는 작업에 있어 알려진 제약 사항이다.

의의
본 논문은 PRECISE를 단순한 종양 탐지를 넘어 종합적인 미세환경 파싱(parsing)으로 계산 병리학을 발전시키기 위한 핵심 자원으로 위치시킨다. 희귀 전구 병변과 유사 병변을 포함하는 다중 모달 벤치마크를 제공함으로써, 이 데이터셋은 다음을 목표로 한다:

루틴한 임상 스크리닝을 지원하고 진단 불일치를 줄일 수 있는 AI 알고리즘 개발 촉진.
자기 지도 학습(self-supervised learning) 및 교차 모달 변환(예: H&E로부터 IHC 대리물 생성) 연구 가능하게 함.
실제 병리학에서 사용되는 2단계 진단 워크플로우의 복잡성을 처리할 수 있는 강건한 모델 구축 지원.

저자들은 PRE-CISE가 재현 가능한 연구를 지원하지만, 임상 배포 전 다양한 다기관 코호트에 대한 엄격한 외부 검증이 필요함을 강조한다. 이 리소스는 보다 미묘한 다중 클래스 진단 AI로의 패러다임 전환을 목표로 하며, 고충실도 데이터에 대한 접근을 민주화하기 위해 의도되었다.

유사한 논문