Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer

기술 요약: 등록된 H&E 및 IHC 슬라이드를 통한 HER2 FISH 결과 예측

문제 정의
인간 상피세포 성장 인자 수용체 2(HER2) 상태는 유방암의 표적 치료를 안내하는 데 있어 매우 중요한 바이오마커이다. 현재의 임상 관행은 면역조직화학염색(IHC)을 통해 HER2 발현을 평가하며, 점수가 0 또는 1+이면 음성, 3+는 양성, 2+는 "모호함(equivocal)"으로 간주된다. 모호한 사례는 유전자 증폭을 확인하기 위해 형광 인 시츄 하이브리드법(FISH)을 통한 확진 검사가 필요하다. 그러나 FISH는 시간이 오래 걸리고 비용이 많이 들며, 저소득 및 중소득 국가에서는 접근성이 떨어지는 경우가 많다. 기존 연구들이 H&E 또는 IHC 슬라이드 단독에 대한 딥러닝을 사용하여 HER2 상태를 예측하려고 시도했으나, 이러한 접근 방식은 성능과 검증 범위 측면에서 한계가 있었다. 또한, 조직 변형으로 인해 동일한 종양 블록에서 유래한 H&E와 IHC 전체 슬라이드 이미지(WSI)를 완전히 자동으로 등록(registration)하는 것은 여전히 어려운 과제이다. 본 연구는 등록된 H&E와 IHC 슬라이드의 조합으로부터 HER2 상태(특히 모호한 사례)를 직접 예측할 수 있는지 평가함으로써, 특정 시나리오에서 FISH의 필요성을 줄이거나 제거할 수 있는 더 효율적인 진단 워크플로우를 구축하고자 한다.

방법론
본 연구는 다중 모달 딥러닝 프레임워크를 구축하기 위해 다음과 같은 반자동 파이프라인을 활용하였다:

1. 데이터셋 구축: 저자들은 1,485명의 환자로부터 얻은 2,258쌍의 등록된 H&E 및 HER2 염색 IHC 슬라이드로 구성된 "Carmel-Paired" 데이터셋을 구성하였다. 이는 알려진 것 중 가장 큰 규모의 등록된 H&E–HER2 IHC WSI 데이터셋이다. 별도의 "Carmel-Benign" 데이터셋(1,580개의 양성 H&E 슬라이드)은 암 검출 학습을 위해 사용되었다.
2. 반자동 등록: H&E와 IHC 슬라이드를 정렬하기 위해 반자동 방법을 개발하였다. 병리학자들이 저해상도 버전의 슬라이드 쌍에서 대응하는 랜드마크를 주석(annotation)했다. 순서가 지정되지 않은 주석 없이도 랜드마크 대응을 감지하기 위해 반복 최근접 점(Iterative Closest Point, ICP) 알고리즘을 적용하였다. 시스템은 글로벌 변환(global transformation) 방식을 사용하였는데, 이는 부분적으로 호환되지 않는 쌍에서도 일관된 영역을 등록할 수 있도록 Delaunay 삼각분할보다 견고함을 우선시하여 선택되었다.
3. 전처리 및 특징 추출: H&E와 IHC 슬라이드 모두 배경을 제외하도록 분할된 후 256 × 256 타일로 나누어졌다. DINOv2와 마스크 오토인코더를 사용하여 171,189개의 슬라이드로 사전 학습된 기초 모델인 Prov-GigaPath 기반의 타일 인코더가 특징 벡터를 추출하였다.
4. 암 검출 및 마스킹: Carmel-Paired 및 Carmel-Benign 데이터셋으로 학습된 모델이 H&E 타일을 악성 또는 양성으로 분류하였다. 이를 통해 생성된 "악성 타일 마스크(malignant tile mask)"가 등록된 IHC 슬라이드 위에 투영되었다.
5. 다중 모달 모델 아키텍처: 핵심 혁신은 악성 H&E 영역(마스크에 의해 식별됨)에 해당하는 IHC 타일만을 유지하는 다중 모달 접근 방식이다. 필터링된 IHC 특징들은 등록된 H&E의 공간적 맥락과 결래되어 최종 HER2 상태 예측을 위해 Prov-GigaPath 슬라이드 인코더로 입력되었다.
6. 학습 및 평가: 데이터 누수를 방기하기 위해 환자 단위의 5-겹 교차 검증(5-fold cross-validation)을 사용하여 모델을 학습시켰다. 성능은 AUC(Area Under the ROC Curve), PPV(양성 예측도), NPV(음성 예측도), 민감도 및 특이도를 사용하여 평가되었다. 연구는 다중 모달 모델을 H&E 또는 IHC 단독 입력을 사용한 베이스라인 모델과 비교하였다.

주요 기여

1. 데이터셋 규모: ACROBAT 데이터셋과 같은 이전 리소스보다 훨씬 큰 규모인 1,485명의 환자로부터 얻은 2,258쌍의 등록된 H&E–HER2 IHC 쌍(알려진 최대 규모)을 구축하였다.
2. 등록 방법: 글로벌 변환과 랜드마크 매칭을 통해 조직 변형과 부분적 불일치를 처리하면서 수동 주석 시간을 최소화하는 견고한 반자동 등록 기술을 개발하였다.
3. 다중 모달 프레임워크: H&E 형태학(악성 마스크를 통해)과 IHC 수용체 발현을 통합하는 새로운 딥러닝 아키텍처를 제시하였다. 이 접근 방식은 기초 모델의 능력을 활용하여 분석을 특정 악성 영역에 집중시킴으로써 HER2 예측 정확도를 향상시킨다.
4. 임상 계층화: 세 가지 분류 임계값(High, Moderate-High, Low)을 사용하는 트리아지(triage) 프레임워크를 도입하여 모델 신뢰도에 따라 모호한 사례를 분류하였으며, 이는 자원이 제한된 환경에서의 구체적인 유용성을 제공한다.

결과

• 전반적인 성능: 다중 모달 모델은 전체 코호트에 대해 HER2 상태를 예측하는 데 0.986의 AUC(95% CI: 0.975–0.997)를 달 기록하였다.
• 모호한 사례 (HER2 2+): 가장 임상적으로 까다로운 모호한 사례들 중에서, 다중 모달 모델은 0.859의 AUC(95% CI: 0.764–0.942)를 달성하였다. 이는 IHC 단독 베이스라인(AUC 0.815, P=0.043) 및 H&E 단독 베이스라인(AUC 0.622, P=0.002)을 유의미하게 상회하는 수치이다.
• 트리아지 능력:
  • High 카테고리: 모호한 사례 중 7.9%를 HER2 양성으로 식별하였으며, PPV는 1.0(특이도=1.0)으로 나타나 양성 예측에 대한 높은 신뢰도를 보였다.
  • Low 카테고리: 모호한 사례 중 21.1%를 HER2 음성으로 식별하였으며, NPV는 1.0(민감도=1.0)으로 나타나 음성 예측에 대한 높은 신뢰도를 보였다.
  • 결합 효과: High와 Low 카테고리는 모호한 사례의 총 **29%**를 차지하였으며, 이는 어려운 사례 중 약 3분의 1에 대해 FISH 없이도 확신 있는 분류가 가능함을 의미한다.
  • Moderate-High 카테기: 추가로 18.4%의 사례를 포착하였으며, PPV는 0.714로 나타났다. 이는 자원이 제한된 환경에서 FISH 검사를 우선순위에 두도록 돕기 위함이다.

의의 및 주장
저자들은 본 연구가 딥러닝을 사용하여 등록된 H&E 및 IHC 슬라이드로부터 FISH 결과를 예측하는 것이 가능함을 입증하였으며, 이는 비용이 많이 들고 시간이 오래 걸리는 FISH 검사에 대한 의존도를 잠재적으로 낮출 수 있다고 주장한다. 연구 결과는 등록된 쌍 데이터셋을 구축하는 것이 매우 중요하며, H&E 슬라이드가 IHC 단독 사용 시보다 예측 가치를 더해준다는 점을 강조한다. 이는 주로 모델이 악성 조직 영역에 집중할 수 있게 함으로써 가능하다.

본 논문은 이 접근 방식이 다음과 같은 역할을 할 수 있다고 상정한다:

• 효율성 개선: FISH 접근성이 제한적인 저소득 및 중소득 국가에서 더 비용 효율적인 진단 워크플로우를 가능하게 한다.
• 트리아지 강화: HER2 모호한 사례를 효과적으로 계층화하여, 확진 검사(FISH)로부터 가장 많은 혜택을 받을 수 있는 환자들에게 자원을 집중할 수 있게 한다.
• 품질 보증 역할: FISH가 일상적인 고소득 환경에서, 모델의 예측과 실제 FISH 결과 사이의 불일치는 병리학자에게 표준 진단 과정의 잠재적 오류를 알리는 경고 역할을 할 수 있다.

저자들은 외부 테스트 세트의 부재(공개된 등록 데이터셋의 희소성 때문), 일부 수동 입력이 필요한 반자동 등록에 대한 의존성, 그리고 모델이 HER2-low 또는 ultralow 발현 수준을 구분하도록 설계되지 않았다는 점 등 한계를 인정하며 주장에 신중을 기하고 있다. 결론적으로, 이 모델이 오분류를 완전히 제거하지는 못하더라도, 정밀 의료에 대한 접근성을 확대하기 위한 가치 있는 트리아지 도구이자 품질 보증 시스템으로서 기능한다고 밝히고 있다.