PathVista Integrates Cellular Foundation Models with Multiscale Histopathology for Colorectal Cancer Prognosis and Molecular Stratification
PathVista는 대규모 세포 기반 파운데이션 모델과 다중 스케일 조직병리학을 통합하여 다양한 환자 코호트에 걸쳐 대장암 예후, 분자 층화 및 종양 특성화를 크게 개선하는 새로운 세포 중심 프레임워크입니다.
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
암과의 싸움에서 의사들은 적을 보기 위해 오랫동안 현미경에 의존해 왔습니다. 그들은 보라색과 분홍색 염색을 한 얇은 조직 절편을 관찰하여 비정상적인 세포를 찾아내고 종양이 얼마나 공격적일지 가늠합니다. 이 방법은 조직병리학(histopathology)이라 불리며 수십 년 동안 표준 치료법으로 자리 잡았습니다. 그러나 단 하나의 슬라이드에는 수백만 개의 세포가 들어 있으며, 인간의 눈은 한 번에 그중 아주 작은 일부에만 집중할 수 있습니다. 병리 전문의가 종양의 전반적인 형태는 볼 수 있지만, 개별 세포와 그 주변 환경 사이의 미묘한 상호작용은 종종 숨겨진 채 남게 됩니다. 암세포가 면역 세포 옆에 배치된 방식이나 핵의 정밀한 모양과 같은 이러한 미세한 세부 사항들은 환자가 생존할지 아니면 질병이 재발할지를 예측하는 열쇠를 쥐고 있을 수 있습니다. 수년 동안 컴퓨터는 이러한 이미지를 분석함으로써 도움을 주려 노력해 왔지만, 대개 조직을 넓고 흐릿한 구역 단위로 살펴보았기에 각 세포를 고유하게 만드는 미세한 디테일을 놓치곤 했습니다.
새로운 연구는 컴퓨터가 이러한 미세 현미경 지도를 읽는 방식을 바꾸기 위해 설계된 'PathVista'라는 시스템을 소개합니다. 이 시스템은 조직의 크고 흐릿한 구역을 훑어보는 대신, 먼저 개별 세포를 조사하기 위해 줌을 당겨 1억 6천만 개 이상의 사례로부터 세포의 모양과 행동에 관한 '어휘'를 학습합니다. 그런 다음 이 세포들이 더 큰 조직 경관 속에 어떻게 어우러지는지 보기 위해 다시 뒤로 물러납니다. 개별 세포의 이야기와 그 세포가 살고 있는 이웃의 이야기를 결합함으로써, PathVista는 종양의 진정한 본질에 대해 훨씬 더 명확한 그림을 그려냅 만큼 합니다. 연구진은 이 접근 방식을 세계에서 세 번째로 흔한 암인 대장암 환자 수천 명을 대상으로 테스트했으며, 이러한 세포 중심의 관점이 생존을 예측하고 특정 유전자 변이를 놀라운 정확도로 식별할 수 있음을 발견했습니다. 이는 기존의 방법들을 종종 능가하는 성과였습니다.
연구진은 먼저 컴퓨터에게 무엇을 찾으라고 알려주지 않고도 세포를 인식하도록 가르치는 것부터 시작했습니다. 그들은 대장암 조직에서 채취한 수백만 개의 개별 세포 이미지를 시스템에 입력했습니다. 컴퓨터는 순수하게 시각적 외형에 기반하여 유사해 보이는 세포들을 함께 묶음으로써 세포 유형에 대한 정신적 라이브러리를 구축하며 학습했습니다. '자기 지도 학습(self-supervised learning)'이라 불리는 이 과정은 인간의 눈이 놓칠 수 있는 세포 크기의 미묘한 변화나 세포가 군집을 이루는 방식과 같은 패턴을 시스템이 스스로 발견할 수 있게 해주었습니다. 컴퓨터가 이 세포 어휘를 숙달하자, 연구진은 이를 활용하여 PathVista를 구축했습니다. 새로운 환자의 슬라이드가 들어올 때마다, 시스템은 먼저 모든 개별 세포를 식별하고 분석하여 그들의 고유한 특징을 포착합니다. 그다음에는 더 넓은 조직 구조를 살펴 맥락을 이해합니다. 마지막으로 이 두 가지 관점을 병합하여 미세한 세부 사항과 거시적인 구조를 모두 반영하는 종합적인 보고서를 생성합니다.
2,568명의 대장암 환자 그룹을 대상으로 테스트했을 때, PathVista는 그 가치를 입증했습니다. 시스템은 각 환자에 대한 위험 점수를 생성하여 생존 가능성을 강력하게 예측했습니다. 시스템이 고위험군으로 분류한 환자들은 저위험군에 비해 질병으로 인해 사망할 확률이 현저히 높았습니다. 그 차이는 극명했습니다. 고위험군의 사망 위험은 저위험군보다 6배 이상 높았습니다. 이러한 예측은 종양 크기, 림프절 침범, 환자 연령과 같은 다른 알려진 요인들을 고려했을 때도 유효했습니다. 실제로 컴퓨터의 위험 점수는 현재 의사들이 사용하는 많은 전통적인 임상 요인들보다 생존에 대해 더 일관된 정보를 제공했습니다. 또한 이 시스템은 환자들이 치료 후 질병 없이 지낼 수 있는 기간과 재발 가능성을 성공적으로 예측했습니다.
시스템이 단순히 훈련된 특정 이미지를 암기한 것이 아님을 확인하기 위해, 연구진은 다른 병원과 데이터베이스에서 가져온 완전히 다른 두 그룹의 환자들을 대상으로 테스트를 진행했습니다. 조직 준비 방식과 환자 인구 통계가 다르더라도, PathVista는 고위험 환자와 저위험 환자를 구분하는 능력을 유지했습니다. 한 외부 그룹에서 시스템은 사망 위험이 훨씬 높은 고위험 환자를 정확히 식별해 냈으며, 이때 저위험군 대비 위험 비율은 거의 3배에 달했습니다. 또 다른 대규모 데이터베이스에서는 위험 비율이 5배 이상으로 더욱 높았습니다. 이러한 결과는 이 시스템이 단순히 특정 데이터셋의 특이점을 암기한 것이 아니라, 현미경 아래에서 공격적인 종양이 어떻게 보이는지에 대한 근본적인 생물학적 진실을 학습했음을 시사합니다.
생존 예측을 넘어, PathVista는 특정 유전자 변이를 찾아내는 탐정 역할도 할 수 있음을 보여주었습니다. 대장암은 서로 다른 유전적 오류에 의해 발생하며, 어떤 변이가 있는지 아는 것은 적절한 치료법을 선택하는 데 매우 중요합니다. 이 시스템은 '현미부수체 불안정성(microsatellite instability)'이라는 특정 유전적 불안정성을 가진 종양을 90% 이상의 높은 정확도로 정확히 식별해 냈습니다. 이는 이 특정 변이를 가진 환자들이 면역 요법에 잘 반응하는 경우가 많기 때문에 매우 중요합니다. 또한 시스템은 예후가 좋지 않고 다른 표적 치료가 필요한 BRAF 유전자 변이를 식별하는 데서도 우수한 성능을 보였습니다. 비록 'KRAS'라고 불리는 또 다른 흔한 변이를 포착하는 데는 덜 성공적이었지만, 다른 두 변이를 감지해 낸 능력은 이러한 유전적 변화가 조직에 뚜렷하고 눈에 보이는 흔적을 남기며 컴퓨터가 읽을 수 있다는 것을 보여줍니다.
연구진은 또한 이 세포 중심의 접근 방식이 다른 종류의 암에도 적용될 수 있는지 탐구했습니다. 연구진은 대장암으로 훈련된 동일한 시스템을 폐암과 유방암 샘플에 적용했습니다. 놀랍게도 시스템은 다른 장기에서도 결과를 예측하고 종양 유형을 분류하는 능력을 유지했습니다. 이는 세포가 암이 되었을 때 행동하는 근본적인 방식—세포가 분열하는 방식, 면ell 세포와 상호작용하는 방식, 그리고 스스로를 조직하는 방식—이 다양한 암 유형 전반에 걸쳐 공유된다는 것을 나타냅니다. 시스템은 대장을 넘어 적용되는 세포 공격성의 보편적인 언어를 학습한 것입니다.
마지막으로, 연구진은 시스템 내부를 들여다보며 그것이 실제로 무엇을 보고 있는지 조사했습니다. 연구진은 컴퓨터가 세포가 빠르게 분열하고, 혈관이 형성되며, 산소 수치가 낮은 영역, 즉 공격적인 암의 특징이 나타나는 조직 부위에 가장 많은 주의를 기울인다는 것을 발견했습니다. 반대로, 생존 기간이 길었던 환자들의 경우 시스템은 종양과 싸우는 것으로 알려진 면역 세포가 풍부한 영역에 집중했습니다. 이러한 컴퓨터의 초점과 확립된 생물학적 지식 사이의 일치는, 시스템이 단순히 무작위적인 패턴을 찾는 것이 아니라 실제 질병의 생물학적 동인을 식별하고 있다는 신뢰를 의사들에게 줍니다.
이 연구 결과는 우리가 일상적인 의료 영상을 어떻게 사용할 수 있는지에 대한 새로운 관점을 제시합니다. 모든 세포를 고유한 데이터 조각으로 취급하고 그것이 더 큰 조직 생태계 내에서 차지하는 위치를 이해함으로써, PathVista는 표준 현미경 슬라이드를 풍부한 예후 정보의 원천으로 탈바꿈시킵니다. 이 시스템이 유전자 검사를 대체하는 것은 아니지만, 의사들이 고위험 환자를 더 일찍 식별하고 치료를 더 효과적으로 맞춤화할 수 있도록 돕는 강력하고 접근 가능한 도구가 될 수 있습니다. 이 연구는 암 케어의 가장 어려운 질문들에 대한 해답이 이미 우리가 수십 년 동안 살펴보고 있던 조직 샘플 안에 존재하고 있었으며, 단지 그것을 보는 새로운 방법이 필요했을 뿐임을 입증합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.