Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort
본 연구는 듀얼 Mask R-CNN 아키텍처를 사용하여 전체 슬라이드 이미지로부터 골수 세포 충실도를 자동으로 추정하여 전문가 수준의 정확도를 달 achievement하는 딥러닝 프레임워크인 AiSAP을 소개하며, 이는 과소 대표된 인도 임상 코호트를 통해 검증되었습니다.
원본 논문은 CC BY 4.0 (https://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
의사들이 환자가 왜 아픈지 알아내기 위해 현미경으로 아주 작은 조직 조각들을 들여다봐야 하는 세상을 상상해 보십시오. 이것은 마치 거대하고 지저집한 모래 상자 속에 숨겨진 몇 개의 작고 특정한 장난감을 찾는 것과 같습니다. 이것이 바로 의사들이 혈액 세포가 탄생하는 곳인 우리 뼈 내부의 스펀지 같은 조직, 즉 골수를 확인할 때 일어나는 일입니다. 백혈병이나 빈혈과 같은 심각한 질환을 진단하기 위해, 그들은 '세포 충실도(cellularity)', 즉 공간이 혈액 생성 세포로 얼마나 채워져 있는지 아니면 지방 세포로 채워져 있는지를 알아내야 합니다. 현재는 인간 전문가가 유리 슬라이드를 뚫어지게 쳐다보며 세포를 세고 비율을 추측해야 합니다. 이는 느리고, 피곤하며, 두 명의 서로 다른 전문가가 같은 슬라이드를 보고도 약간씩 다른 답을 내놓을 수 있습니다. 바로 여기서 인공지능(AI)이 등장합니다. AI를 전체 슬라이드의 디지털 사진을 보고 우리 대신 계산을 수행할 수 있는 초고속의, 지치지 않는 로봇 조수라고 생각하십시오. 하지만 이 로봇이 작동하려면, 혈액 세포와 지방 세포의 차이를 구별하는 법을 배워야 하며, 혼동하지 않도록 실제 사람들을 대상으로 테스트를 거쳐야 합니다.
이 논문은 AiSAP(Artificial Intelligence Slide Analysis Platform)라는 새로운 로봇 조수를 소개합니다. 개발팀은 골수 생검의 가공되지 않은 거대한 디지털 사진을 보고, 골수의 세포가 얼마나 '붐비는지'를 자동으로 알려줄 수 있는 시스템을 구축하고자 했습니다. AiSAP는 단순히 이미지의 작고 미리 선택된 사각형 영역만을 보는 대신, 전체 슬라이드를 살펴보고 적절한 부분을 찾아내어 수학적 계산을 수행합니다. 연구진은 이 AI를 이전의 컴퓨터 프로그램들에서 거의 사용되지 않았던 집단인 인도의 실제 환자 170명의 데이터로 학습시켰습니다. 결과는 유망합니다. AI의 추정치는 인간 전문가들과 거의 비슷했습니다. 실제로 AI의 수치를 두 명의 인간 의사의 평균값과 비교했을 때, 결과는 0.95의 상관관계(완벽한 1.0에 매우 근접함)를 보이며 일치했습니다. AI는 세포 수를 인간보다 약간 더 높게 예측하는 경향이 있었는데, 약 7%에서 8% 정도 더 높았습니다. 하지만 그 패턴이 매우 일관적이었기에, 저자들은 이것이 AI가 인간이 빠르게 훑어볼 때 놓칠 수 있는 아주 작은 세포들을 포착하고 있다는 것을 의미할 수도 있다고 제안합니다.
AiSAP의 비결은 두 명의 전문 탐정 팀처럼 두 단계로 작동한다는 점입니다. 첫째, **모델-1(Model-1)**은 전체 슬라이드를 스캔하여 '흥미로운' 부분에 상자를 그려, 실제 골수 조직을 뼈나 혈전, 또는 슬라이드 제작 과정에서 발생한 지저분한 인공물들과 분리합니다. 이것은 마치 탐정이 "좋아, 돌과 흙은 무시하고, 사람들이 사는 동네에 집중하자"라고 말하는 것과 같습니다. 그다음, **모델-2(Model-2)**는 그 동네로 줌인하여 투명하고 빈 거품처럼 보이는 지방 세포(지방세포, adipocytes)를 구체적으로 찾아냅니다. 일단 AI가 지방이 차지하는 공간과 나머지 조직이 차지하는 공간을 알게 되면, 간단한 공식을 사용하여 세포 충실도 백분율을 계산합니다.
연구진은 어떤 데가 가장 잘 작동하는지 확인하기 위해 AI를 위한 다섯 가지 서로 다른 '두뇌'(백본, backbones)를 테스트했습니다. 그들은 일부 두뇌가 개별 객체를 포착하는 데 더 뛰어나고, 다른 두는 최종 백분율을 맞추는 데 더 뛰어나다는 것을 발견했습니다. 가장 성능이 좋았던 X101_FPN 구조는 린의 일치도 상관계수(Lin's Concordance Correlation Coefficient)에서 0.882를 달성했는데, 이는 인간 전문가와의 전반적인 일치도가 매우 강력함을 의미합니다. 또 다른 두뇌인 R50_C4는 사례들의 정확한 순위를 맞추는 데 가장 뛰어났으며, 0.948의 상관관계를 보였습니다.
하지만 저자들은 이것을 '해결된' 문제라고 부르는 데 신중합니다. 그들은 AI가 여전히 더 많은 테스트를 필요로 한다고 지적합니다. 이 AI는 인도의 특정 병원 슬라이드로만 학습되고 테스트되었습니다. 만약 다른 병원에서 슬라이드를 염색하거나 자르는 방식이 바뀐다면, AI는 혼란에 빠질 수 있습니다. 또한 그들은 AI가 가끔 으깨진 뼈나 밀도가 높은 흉터 조직을 살아있는 세포로 착각한다는 점을 인정하며, 이것이 AI가 세포 수를 약간 과대평가하는 이유라고 말합니다. 그럼에도 불구하고, 이 연구는 이 두 단계 AI 접근 방식이 큰 진전임을 보여줍니다. 이는 우리가 병리학자들이 더 빠르고 일관되게 작업할 수 있도록 돕는 도구를 구축할 수 있음을 시사하며, 진단이 그날 슬라이드를 보고 있는 사람이 누구냐에 따라 달라질 가능성을 줄여줍니다. 저자들은 AiSAP가 아직 의사를 대체할 준비가 된 것은 아니지만, 전 세계의 더 많은 병원에서 테스트될 가치가 있는 강력한 새로운 도구라고 결론짓습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.