Label-Free Structure Discovery in Breast Cancer Histopathology: K-Means and Fuzzy C-Means on Handcrafted Descriptors under Subtype-Disjoint Cross-Validation

유방암은 전 세계적으로 가장 흔한 암으로 남아 있으며, 매년 수십만 명의 생명을 앗아가는 질병입니다. 수십 년 동안 이 질병을 진단하는 표준 방식은 병리학자가 현미경을 통해 조직 샘의 구조를 세밀하게 관찰하는 것이었습니다. 이 과정은 조직을 특정 염료로 염색하여 세포 구조를 드러내는 작업을 포함하며, 이는 엄청난 전문 지식과 시간을 필요로 합니다. 많은 지역, 특히 저소득 및 중소득 국가에서는 이러한 전문 의사가 심각하게 부족하여 수백만 명의 환자들이 적시적기에 정확한 진단을 받지 못하고 있습니다. 이러한 현실은 과학자들로 하여금 컴퓨터가 이 중요한 작업에 도움을 줄 수 있을지 탐구하게 만들었습니다. 현대의 인공지능은 의료 영상을 판독하는 데 있어 큰 가능성을 보여주었지만, 이러한 고급 시스템 대부분은 이미 인간 전문가에 의해 라벨링된 방대한 양의 데이터를 필요로 하며, 이는 도움이 가장 절실한 지역에서 흔히 구할 수 없는 자원입니다. 이는 도구를 만드는 데 가장 많은 자원이 필요한 곳이 바로 그 도구가 가장 필요한 곳이라는 어려운 역설을 만들어냅니다.

한 연구팀은 근본적인 질문을 던지며 다른 길을 모색했습니다. 컴퓨터가 조직이 실제로 무엇인지 알려주지 않고도 해롭거나 무해한 유방 조직을 구별하는 법을 배울 수 있을까? 연구진은 방대한 사전 라벨링 데이터셋에 의존하는 대신, 컴퓨터가 원시 데이터 내에서 스스로 자연스러운 패턴과 그룹을 찾는 방법인 비지도 학습(unsupervised learning)으로 눈을 돌렸습니다. 그들은 컴퓨터가 처음부터 이러한 패턴을 학습하게 하는 대신, 조직 이미지에서 발견되는 질감, 모양, 색상 패턴에 대한 구체적인 수학적 기술인 '핸드크래프트(handcrafted)' 특징에 집중했습니다. 목표는 최종적인 진단 도구를 구축하는 것이 아니라, 이러한 단순하고 라벨이 없는 방법들이 양성 사례와 악성 사례를 구분하기 시작할 수 있는지 확인하기 위한 기준점, 즉 성능의 '바닥(floor)'을 설정하는 것이었습니다. 만약 이 방법들이 성공하지 못한다면, 이는 더 복잡하고 데이터 집약적인 시스템이 정말로 필요하다는 것을 시사할 것이기 때문입니다.

연구진은 82명의 환자로부터 얻은 약 8,000장의 디지털 유방 조직 이미지 컬렉션으로 시작했습니다. 네 가지 다른 배율로 촬영된 이 이미지들은 일관성을 유지하고 아티팩트(artifact)를 제거하기 위해 엄격한 5단계 정제 과정을 거쳤습니다. 이 과정의 핵심 단계는 이미지를 표준 크기로 조정하는 것이었는데, 원래 이미지가 직사각형 형태였기 때문에 이 크기 조정은 균일하게 이루어지지 않았으며, 결과적으로 수직 구조에 비해 수평 구조가 압축되었습니다. 이러한 비등방성 왜곡(non-isotropic distortion)은 이미지에서 추출된 모양과 크기의 수학적 측정값이 실제 조직 기하학적 구조를 정확하게 나타내지 못한다는 한계를 낳았으며, 연구진은 이를 명시적으로 인정했습니다. 남은 정보를 파악하기 위해 연구진은 각 이미지에서 148개의 뚜렷한 특성을 추출했습니다. 이 특성에는 인접한 픽셀 간의 유사성, 특정 패턴의 빈도, 그리고 조직 내 가시적인 구조의 전반적인 모양과 크기와 같은 질감 측정치가 포함되었습니다. 이 방대한 양의 정보를 처리하기 위해, 연구진은 수학적 기법을 사용하여 148개의 특징을 데이터의 변동성을 대부분 포착하는 약 21개 또는 22개의 핵심 성분으로 축소했습니다.

이렇게 간소화된 설명을 바탕으로 연구진은 데이터에 두 가지 서로 다른 클러스터링 알고리즘을 적용했습니다. 첫 번째인 K-Means는 각 클러스터의 중심을 찾아 이미지를 별개의 그룹으로 분류하려고 시도합니다. 두 번째인 Fuzzy C-Means는 이미지가 다양한 확신도를 가지고 동시에 여러 그룹에 속할 수 있도록 허용합니다. 결정적으로, 연구진은 테스트를 매우 엄격하게 설계했습니다. 단순히 이미지를 무작위로 나누는 것이 아니라, 종양의 유형 전체를 분리하여 유지했습니다. 각 테스트 라운드에서 컴퓨터는 특정 유형의 양성 및 악성 종양에 대해 학습한 후, 이전에 본 적 없는 완전히 다른 유형의 종양을 식별하도록 요청받았습니다. 이러한 접근 방식은 컴퓨터가 단순히 특정 환자나 이미지의 세부 사항을 암기하는 것을 방지하여, 조직 구조의 진정한 근본적 차이를 찾도록 강제했습니다.

결과는 명확하면서도 다소 겸허한 모습을 보여주었습니다. 컴퓨터 알고리즘은 데이터 내에서 양성 조직과 악성 조직의 차이와 일치하는 어떤 구조를 찾아낼 수 있었습니다. 그룹이 얼마나 잘 형성되었는지 살펴보았을 때, K-Means 알고리즘이 Fuzzy C-Means 방식보다 약간 더 나은 성능을 보이며 더 조밀하고 뚜렷한 클러스터를 생성했습니다. 그러나 이 분리의 강도는 상대적으로 약했습니다. 이후 연구진이 컴퓨터가 생성한 그룹을 실제 의학적 진단과 대조하여 정확도를 확인했을 때, 시스템은 약 69%의 정확도를 달 achievement 했습니다. 여기서 중요한 점은 이 수치가 테스트 라벨을 사용하여 최적의 매핑을 결정하는 '오라클(oracle)' 상한선을 나타낸다는 것이며, 이는 실제 배치 가능한 시스템의 예측 성능을 반영하는 것은 아니라는 점입니다. 이는 항상 가장 흔한 결과만을 예측하는 단순한 추측(약 60%의 정확도)보다는 나은 결과였지만, 신뢰할 수 있는 의학적 진단에 필요한 수준에는 훨씬 미치지 못했습니다.

또한 이 연구는 실제 데이터의 불균형한 특성을 다루는 방식에 있어 상당한 한계를 드러냈습니다. 8가지 특정 테스트 시나리오 중 3가지에서, 클래스 불균형에 의해 컴퓨터의 그룹화가 심하게 왜곡되어 사후 매핑(post-hoc mapping)이 퇴화하였고, 결과적으로 실제 상태와 상관없이 모든 이미지가 악성으로 라벨링되었습니다. 이러한 치명적인 실패 모드는 주의 깊은 처리가 없다면 알고리즘이 아무것도 구별하지 못할 수 있음을 강조합니다. 또한, 연구진은 분석된 이미지들이 물리적 비율을 왜곡하는 방식으로 크기가 조정되었기 때문에 모양 측정값이 실제 조직 기하학을 완벽하게 나타내지 못했다는 점을 언급했습니다. 이러한 장애물에도 불구하고, 핸드크프트 특징들은 악성도와 관련된 진정한 신호를 담고 있었으며, 이는 세포의 질감과 모양 속에 미세하게나 รายละเอียด 존재함을 증명했습니다.

궁극적으로 이 연구는 돌파구적인 해결책이라기보다는 필요한 현실 점검 역할을 합니다. 저자들은 핸드크래프트 기술자와 비지도 클러스터링이 악성도의 희미한 신호를 감지할 수는 있지만, 그 신호가 독자적인 진단 시스템을 지원하기에는 너무 약하다고 결론지었습니다. 이 연구는 이러한 단순하고 라벨이 없는 방법들이 병리학자를 대체할 준비가 되어 있다는 생각을 명시적으로 부정합니다. 대신, 이 작업은 미래의 더 발전된 방법들을 측정할 수 있는 투명하고 재현 가능한 벤치마크, 즉 '바닥'을 제공합니다. 이는 라벨링된 데이터가 없는 상황에서 컴퓨터가 일부 패턴을 찾을 수는 있지만, 결정적인 진단 작업에서 인간의 눈을 대체할 수는 없음을 보여줍니다. 연구진은 앞으로의 방향이 정확성의 필요성과 전문가 주석의 희소성 사이의 간극을 메울 수 있는, 매우 적은 양의 라벨링된 데이터로 효과적으로 학습할 수 있는 방법을 개발하는 데 있다고 제안합니다.