Hidden networks, deconstructions, convolutions and colourful revolutions. Explainable multi- class classification for histopathologic lymphoid tissue prototyping

기술 요약: 조직병리학적 림프 조직 프로토타이핑을 위한 설명 가능한 다중 클래스 분류

문제 정의
염색체가 풍부하고 특징이 많은 조직병리학적 림프 조직의 분류는 일반적으로 기가픽셀급 전체 슬라이드 이미지(WSI)의 차원 축소와 타일 수준 데이터의 하위 공간 특징 성분 분해를 수반한다. 이러한 과정은 흔히 딥러닝 신경망(DNN)에 의존하는데, 이는 높은 성능을 제공하지만 병리학자들에게 기계론적 해석 가능성(mechanistic interpretability)을 제공하지 못하는 "블랙박스"로 기능한다. 또한, 명시야 현미경(brightfield microscopy) 하에서의 평가 모호성이 자주 발생하며, 기존 프레임워크는 추상적인 특징 추출과 인간의 이해 사이의 간극을 메울 수 있는 충분한 시각화를 결여하고 있다. 본 연구는 CD20 면역조직화학(IHC) 염색된 림프 샘플을 정확하게 분류하면서 모델의 작동 과정을 해석 가능하도록 시각화할 수 있는 설명 가능한 비지도 다중 클래스 분류 프레임워크의 필요성을 다룬다.

방법론
본 연구는 CPU 기반 로컬 서버에서 설계된 3-스트림 특징 추출 백본을 사용하여 B 림프구가 지배적인 CD20 IHC 염색 림프 조직 샘플을 처리하였다. 방법론은 다음 단계로 진행되었다:

1. 데이터 수집 및 전처리:

   • 샘플은 19902007년 및 20172020년 기간을 포괄하는 남아프리카 공화국의 두 대학 병원 환자들로부터 유래되었다.
   • 네 개의 별도 유리 슬라이드(샘플 S1–S4)가 선정되어 익명화되었으며, Leica Biosystems Aperio AT2 스캐너를 통해 20배 배율로 스캔되었다.
   • 전처리는 노이즈(먼지, 접힘, 기포) 제거와 중복되지 않는 512x512 픽셀 타일 추출 과정을 포함했다. 초기에는 사용 가능한 타일이 52개뿐이었던 샘플 S3는 통계적 불균형을 해결하기 위해 208개로 합성 증강되었다.
   • 최종 데이터셋은 652개의 훈련 타일과 303개의 검증 타일로 구성되었다.

2. 3-스트림 특징 추출:
   모델은 세 개의 병렬 스트림을 통해 특징을 추출하였으며, 각 스트림은 융합 전 독립적으로 정규화되었다:

   • 스트림 A (SA): HOG(Histogram of Oriented Gradients)와 RGB 컬러 히스토그램을 결합하였다. 이 스트림은 에지-형태 정보와 스펙트럼 특성을 포착하여 6,468차원의 벡터를 생성하였다.
   • 스트림 B (SB): Haralick Cell Contrast (HGLCM), Local Binary Patterns (LBP), Discrete Wavelet Transform (DWT), Watershed Cell Morphometry (WCM) 및 CD20 DAB 특성화를 합성하였다. 이 스트림은 질감, 미세 구조 및 형태 측정 특징을 추출하여 61차원의 벡터를 생성하였다.
   • 스트림 C (SC): 96x96 RGB 타일을 처리하는 4층 인코더인 ShallowNet 합성곱 신경망(SN-CNN)이다. 이는 128차원의 특징 벡터를 생성하여 거친 공간적 구조적 정규화를 제공하였다.

3. 특징 융합 및 초구체 임베딩(Hyperspherical Embedding):

   • 특징들은 세 스트림으로부터 연결(concatenate)된 후 단위 초구체(unit hypersphere)로 투영되어 6,657차원의 단위 초구체 표현($\phi(T)$)을 형성하였다.
   • 스트림 A 백본에 대한 스트림 B와 C의 각도적 영향력을 제어하고 융합된 벡터가 척도 불변성(scale-invariant)을 유지하도록 스케일링 하이퍼파라미터($\alpha_{sb}=0.18$ 및 $\alpha_{sn-cnn}=0.05$)가 적용되었다.

4. 분류 및 학습 절차:

   • 본 연구는 자율 주행 기반 이미지 프로토타이핑에 관한 Angelov의 연구에서 채택된 비지도 프로토타입 학습 방식을 활용하였다.
   • 두 가지 점수 기반 분류기인 Minkowski (MK)와 Cauchy Kernel Density (CKD)가 구현되었다.
   • 알고리즘은 단위 초구체 상에서 프로토타입을 점진적으로 학습했다. 새로운 타일은 기존 프로토타입에 흡수되거나(보정된 반경 $r_0 \approx 0.134$ 이내인 경우), 새로운 프로토타입으로 생성되었다.
   • 분류 결정은 가장 가까운 프로토타입 거리로부터 지수 함수를 통해 변환된 점수를 기반으로 이루어졌다.

주요 결과

• 성능: MK 및 CKD 분류기는 검증 세트에서 동일하게 높은 성능 지표를 달성하였다: 정확도 95.7%, 코헨 카파(Cohen's kappa) 계수 0.938, 매크로-F1 점수 95.1%.
• 프로토타입 생성: 808개의 증강된 타일로부터 모델은 335개의 고유 프로토타입을 도출하였다. 압축률은 샘플마다 달랐으며, S3는 3.15배의 가장 높은 압축률을 보여 높은 내부 균질성을 나타냈다.
• 해석 가능성 및 시각화:
  • PCA 분석: 6,657차원 공간에 대한 주성분 분석(PCA) 결과, S1이 가장 선형적으로 분리 가능했으며, S2는 가장 이질적이고 분류하기 어려워 다른 샘플들의 결정 경계를 가로지르는 것으로 나타났다.
  • DAB 신호: 모델은 샘플 1에서 특이한 diaminobenzidine (DAB) 신호를 성공적으로 식별하였으며, 이를 CD20이 일반적으로 하향 조절되는 곳에서 나타나는 면역 억제 가능성과 우세한 플라즈마블라스트(plasmablast) 유사 인구의 결과로 귀속시켰다.
  • 경계 분석: 혼동 행렬 분해와 보로노이 테셀레이션(Voronoi tessellation) 시각화는 오분류가 특징 공간 전체에 분포하기보다는 결정 경계(특히 S2와 S4 사이)에 집중되어 있음을 확인하였으며, 이는 오류가 점수 메커니즘의 실패가 아닌 특징 표현의 한계 때문임을 입증하였다.

의의 및 주장
본 논문은 풍부한 시각화를 제공하는 설명 가능한 분류 프레임워크의 부족 문제를 해결한다고 주장한다. 해석 가능성 제약 조건을 통합함으로써, 본 연구는 "글래스 박스(glass-box, 기계론적)" 방식과 "블랙박스" 방식 사이의 트레이드오프를 극복한다. 저자들은 본 프레임워크가 성공적으로 다음을 수행했다고 단언한다:

1. 다중 클래스 IHC 염색 양식에 대한 표적화된 고품질 특징 추출을 실현한다.
2. 20배 배율에서 도메인 특화된 형태 측정적 특징 깊이를 제공한다.
3. 특징 융합을 저해하지 않으면서 설명 가능성과 해석 가능성을 유지한다.
4. CPU 기반 컴퓨팅 자원을 효율적으로 운용한다.

본 연구는 모델이 단일 IHC 염색 데이터셋에서 높은 정확도를 달却했으나, 이러한 제약을 넘어선 질병 클래스 수준으로의 일반화는 제한적이라고 결론지었다. 저자들은 CD79a의 제외(리투시맙 이력 불분명로 인해)와 T-세포 계통 마커(CD3) 또는 유전적 전좌 데이터의 부재를 주요 한계점으로 명시하였다. 향후 연구는 B-세포 및 T-세포 계통 병변을 구별하기 위해 완전한 면역조직화학 패널과 유전적 라벨을 통합하는 방향으로 진행될 예정이다.