Application of H&E images combined with gene expression data-driven multimodal deep learning models in gastric cancer prognosis
본 연구는 H&E 조직병리 이미지, 유전자 발현 프로파일, 그리고 임상 데이터를 통합하여 단일 모달리티 접근 방식에 비해 위암 예후 예측의 정확도와 해석 가능성을 유의미하게 향상시킨 멀티모달 딥러닝 모델인 PGC-pro를 소개한다.
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
위암이라고도 불리는 위암은 전 세계적으로 매년 수십만 명의 생명을 앗아가는 가장 위협적인 보건 과제 중 하나로 남아 있습니다. 수십 년 동안 의사들은 환자의 경과를 예측하기 위해 TNM 병기 결정 시스템에 의존해 왔습니다. 이 시스템은 종양의 크기와 인접한 림프절 또는 원격 장기로의 전이 정도를 기록하는 지도와 같은 역할을 합니다. 이 지도는 필수적이지만, 불완전하기도 합니다. 이는 질병의 물리적 범위를 설명하지만, 암 자체의 고유한 생물학적 성격은 놓치는 경우가 많습니다. 종양의 크기와 위치가 동일한 두 환자라도 미세한 수준에서 암이 다르게 행동하기 때문에 결과는 판이하게 다를 수 있습니다. 이러한 격차를 메우기 위해 과학자들은 전통적으로 분리되어 있던 두 가지 강력한 정보원, 즉 현미경으로 보이는 시각적 패턴과 세포 내에 기록된 분자적 명령 체계에 주목하고 있습니다. 한 가지 정보원은 H&E 슬라이드로, 이는 조직의 얇은 단면을 분홍색과 보라색 염료로 염색하여 세포의 모양과 배열을 보여주는 표준 유리 슬라이드입니다. 다른 하나는 종양 내에서 어떤 유전자가 활성화되어 있는지를 보여주는 디지털 판독값인 유전자 발현 데이터로, 이는 분자 지문 역할을 합니다. 과제는 이미지와 숫자라는 이 두 가지 매우 다른 유형의 정보를 결합하여, 의사에게 특정 환자의 암이 얼마나 위험할 가능성이 높은지 정확히 알려줄 수 있는 하나의 일관된 그림을 만드는 것이었습니다.
최근 연구에서 칭하이 대학 부속 병원의 연구진은 시각적 세계와 분자적 세계 모두로부터 동시에 학습하도록 설계된 새로운 형태의 컴퓨터 모델을 구축함으로써 이 과제를 해결했습니다. 그들은 자신들의 창조물을 PGC-pro라고 불렀는데, 이 시스템은 단순히 종양의 형태나 유전자를 개별적으로 보는 것이 아니라, 이들이 서로 어떻게 소통하는지를 연구합니다. 연구팀은 위암 치료를 받은 318명의 환자 데이터를 바탕으로 시작했습니다. 각 환자에 대해 그들은 세 가지를 수집했습니다: 종양 전체의 디지털 스캔 이미지, 수천 개의 유전자가 종양 내에서 얼마나 활발한지를 나타내는 리스트, 그리고 연령과 질병 단계를 포함한 환자의 임상 기록입니다. 연구진은 먼저 컴퓨터가 미세 구조 이미지에서 가장 중요한 부분을 인식하도록 가르쳤습니다. 병리학자가 슬라이드를 스캔하는 방식을 모방한 방법을 사용하여, 시스템은 빈 공간을 무시하고 암세포가 정상 조직을 침범하는 밀집된 영역에 집중하는 법을 배웠습니다. 동시에 컴퓨터는 유전 데이터를 뒤져 환자의 생존 기간과 가장 강력하게 연결된 특정 유전자를 찾아냈으며, 이를 통해 수천 개의 가능성을 핵심적인 150개의 유전자로 좁혔습니다.
이 연구의 핵심 혁신은 컴퓨터가 이 두 정보의 흐름을 연결하는 방식에 있습니다. 모델은 단순히 이미지 데이터 옆에 유전자 데이터를 쌓아두는 대신, 두 데이터가 서로 질문을 던질 수 있게 하는 메커니즘을 사용합니다. 이미지 데이터가 유전자 데이터에게 "이 특정 세포 군집에서 어떤 분자적 변화가 일어나고 있는가?"라고 묻는 동안, 유전자 데이터는 이미지 데이터에게 "이 유전자들이 가장 활발하게 작용하는 곳의 조직은 어떻게 생겼는가?"라고 묻는 것과 같습니다. 이러한 상호 교환을 통해 모델은 어느 한쪽만으로는 볼 수 없었던 깊은 연결 고리를 찾아낼 수 있습니다. 예를 들어, 모델은 이미지 속의 특정한 무질서한 세포 배열이 항상 특정 유전자의 높은 활성도와 짝을 이룬다는 점과, 이 특정 조합이 좋지 않은 예후를 알리는 강력한 경고 신호라는 점을 학습할 수 있습니다. 이 모델은 시각적 및 분자적 단서를 환자의 연령 및 질병 단계와 통합하여, 각 개인에 대한 단일 위험 점수를 생성합니다.
이러-방식의 결과는 명확하고 측정 가능했습니다. 연구진이 환자 데이터를 대상으로 모델을 테스트했을 때, 이 모델은 한 가지 유형의 정보만을 사용한 그 어떤 방법보다 생존을 예측하는 데 훨씬 뛰어난 성능을 보였습니다. 유전자만을 보는 모델은 일정 수준의 정확도로 결과를 예측할 수 있었고, 이미지만을 보는 모델은 그보다 약간 낮은 성능을 보였으나, 결합된 모델은 두 모델 모두를 능가했습니다. 이 시스템은 환자를 사망 위험에 따라 올바르게 순위를 매기는 높은 능력을 나타내는 점수를 달em했으며, 세 가지 데이터 소스를 모두 함께 사용했을 때 이 수치는 눈에 띄게 상승했습니다. 더 중요한 것은, 이 모델이 설명 없이 답만 내놓는 신비로운 '블랙박스'처럼 작동하지 않았다는 점입니다. 연구진은 컴퓨터가 무엇을 보고 있는지 확인할 수 있는 도구들을 구축했습니다. 그들은 모델이 종양 슬라이드의 어느 부분에 집중했는지를 보여주는 히트맵을 생성할 수 있었으며, 이 맵은 일관되게 종양이 건강한 조직을 침범하는 가장자리와 사멸한 세포가 있는 영역을 강조했습니다. 또한 그들은 어떤 유전자가 예측을 주도하고 있는지 확인하여, 모델이 결정적이라고 학습한 특정 분자 마커를 식별할 수 있었습니다. 이러한 투명성은 의사가 모델이 제시한 생물학적 근거를 직접 확인함으로써 컴퓨터의 판단을 신뢰할 수 있게 하므로 매우 중요합니다.
또한 이 연구는 모델이 시간이 지남에 따라 얼마나 잘 작동하는지를 테스트했습니다. 모델은 1년, 3년, 5년 생존 확률을 성공적으로 추정하였으며, 이러한 다양한 시간 프레임 전반에 걸쳐 정확도를 유지했습니다. 모델의 점수에 따라 환자들을 고위험군과 저위험군으로 나누었을 때, 실제 생존율의 차이는 극명하고 통계적으로 유의미했으며, 이는 모델이 생존 가능성이 높은 사람과 그렇지 않은 사람을 효과적으로 구분할 수 있음을 확인시켜 주었습니다. 연구진은 모델이 우수한 성능을 보였지만, 단일 데이터베이스의 환자 기록을 바탕으로 훈련되었기 때문에 다른 병원이나 지역의 환자들에게도 적용 가능한지는 여전히 테스트가 필요하다고 언급했습니다. 또한 사용된 이미지에 균일하지 않은 염색과 같은 결함이 있을 수 있으며, 이것이 컴퓨터의 관측에 영향을 줄 수 있다는 점도 인정했습니다. 이러한 한계에도 불구하고, 이 연구는 종양의 시각적 이야기와 분자적 이야기를 결합하는 것이 질병을 이해하는 데 훨씬 더 강력한 도구가 된다는 것을 입증합니다. 서로 다른 유형의 데이터가 하나로 엮여 미래를 보여주는 더 명확한 그림을 그려낼 수 있음을 증명함으로써, 이 연구는 위암에 직면한 환자들에게 더욱 개인화되고 정확한 케어를 제공할 수 있는 유망한 길을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.