Joint Classification and Supervised Contrastive Representation Learning for Cervical Cancer Detection in Histopathological Images

정적인 고도의 긴장감이 흐르는 의료 진단의 세계에서, 병리 전문의는 암 치료의 최종 수문장 역할을 합니다. 그들은 강력한 현미경을 통해 조직의 얇은 절편을 관찰하며, 질병의 존재를 알리는 세포 모양과 배열의 미세한 변화를 찾아냅니다. 자궁경부암의 경우 이 과정은 매우 결정적인데, 질병을 조기에 발견하면 생명을 구할 수 있지만 그 작업은 믿기 힘들 정도로 어렵습니다. 조직 샘플은 복잡하며, 건강한 조직인지 질병이 있는 조직인지 구분이 안 될 정도로 겉보기에 매우 유사해 보일 때가 많고, 시각적 차이가 극히 미미할 수 있기 때문입니다. 인간 전문가를 돕기 위해 과학자들은 인공지능을 활용하여 컴퓨터가 이러한 패턴을 인식하도록 가르치고 있습니다. 그러나 표준적인 컴퓨터 모델은 조명이 변하거나, 염색 방식이 다르거나, 건강한 조직이 놀라울 정도로 불규칙하게 보이는 등 의료 영상의 무질서한 현실 속에서 종종 어려움을 겪습니다. 목표는 단순히 컴퓨터가 정답을 맞히도록 하는 것이 아니라, 컴퓨터가 건강한 세포와 암세포 사이의 깊은 구조적 차이를 이해하도록 가르쳐, 유사한 것들은 서로 묶이고 다른 것들은 서로 멀어지는 하나의 정신적 지도를 만들도록 하는 것입니다.

한 연구팀은 컴퓨터가 이러한 시각적 복잡성을 헤쳐 나갈 수 있도록 돕는 새로운 방법을 개발했습니다. 그들은 자궁경부의 조직 병리 이미지를 읽고 정상 조직과 암의 영향을 받은 조직을 구별하도록 설계된 시스템을 만들었습니다. 이들은 단 한 가지 방식의 학습에 의존하는 대신, 두 가지 서로 다른 전략을 결нет했습니다. 첫 번째는 전통적인 방식으로, 컴퓨터에게 각 이미지에 대한 정답을 알려주고 실수를 최소화하도록 하는 것입니다. 두 번째는 더 발전된 전략인 '지도 대조 학습(supervised contrastive learning)'입니다. 이 기술은 컴퓨터가 더 깊게 들여다보도록 강제하여, 동일한 유형의 이미지는 내부 메모리에서 서로 가깝게 끌어당기고, 다른 유형의 이미지는 서로 멀리 밀어내도록 학습시킵니다. 이 과정을 도서관을 정리하는 것에 비유하자면, 전통적인 방식은 모든 책이 올바른 선반에 놓이도록 보장하는 것이고, 대조 학습 방식은 같은 주제의 책들이 서로 깔끔하게 쌓여 있어 관련 없는 다른 책들과 쉽게 구분하고 찾을 수 있도록 만드는 것입니다. 이 두 가지 방법을 동시에 사용함으로써, 연구진은 모델이 단순히 정확할 뿐만 아니라 자신이 조사하고 있는 조직의 시각적 풍경을 이해하도록 만드는 것을 목표로 했습니다.

연구팀은 CAISHI 데이터셋이라 불리는 특정 이미지 모음을 사용하여 시스템을 테스트했습니다. 이 데이터셋은 중국의 한 병원에서 촬영된 2,240장의 고해 resolution 자궁경부 조직 사진을 포함하고 있습니다. 이 이미지들은 전문 병리 의사들에 의해 정교하게 라벨링되었으며, 일부는 정상 선 구조를, 다른 일부는 상피내 선암(adenocarcinoma in situ)이라고 불리는 특정 유형의 전암 단계 변화를 보여줍니다. 결과의 신뢰성을 확보하기 위해 연구진은 모델을 단 한 번만 테스트하지 않았습니다. 그들은 데이터를 다섯 개의 그룹으로 나누어, 네 그룹으로 시스템을 학습시키고 나머지 한 그룹으로 테스트하는 과정을 반복하여 모든 이미지가 테스트에 사용되도록 했습니다. 이러한 엄격한 접근 방식 결과, 그들의 결합된 방법은 평균 96.90%의 정확도를 달enc했습니다. 이 성능은 다섯 번의 테스트 모두에서 매우 일관되게 나타났으며 변동이 거의 없었는데, 이는 모델이 특정 이미지 세트에 운 좋게 걸린 것이 아니라 안정적임을 시사합니다. 또한 시스템은 높은 정밀도(precision)와 재현율(recall)을 보여주었는데, 이는 암 사례를 놓치는 경우가 드물고 건강한 조직을 암으로 잘못 분류하는 경우도 드물다는 것을 의미합니다.

이 새로운 방법이 왜 그렇게 잘 작동했는지 이해하기 위해, 연구진은 시스템의 특정 부분을 제거하거나 변경하는 일련의 실험을 수행했습니다. 그들은 만약 전통적인 학습 방식에만 의존했다면 정확도가 약간 떨어졌다는 것을 발견했으며, 이는 대조 학습 구성 요소가 모델의 성공에 필수적이었음을 입증합니다. 또한 그들은 두 학습 전략 사이의 완벽한 균형을 찾기 위해 다양한 설정을 테스트했습니다. 그들은 대조 학습 부분에 특정 수준의 적절한 가중치를 부여했을 때 최상의 결과를 얻었으며, 가중치를 너무 많이 주면 오히려 모델의 성능을 해친다는 것을 발견했습니다. 이러한 세심한 튜닝은 두 방법이 서로 경쟁하기보다 서로를 지원할 때 가장 잘 작동한다는 것을 보여주었습니다. 나아가, 연구진은 시각화 도구를 사용하여 컴퓨터가 이미지의 어느 부분에 집중하는지 확인했습니다. 건강한 조직을 볼 때 컴퓨터는 넓고 균일한 영역을 강조했습니다. 반면 암 조직을 볼 때 컴퓨터는 질병의 전형적인 특징인 밀집되고 혼란스러운 세포 구조에 해당하는 작고 밝으며 불규칙한 점들에 초점을 맞췄습니다. 이는 모델이 단순히 배경 소음에 근거해 추측하는 것이 아니라, 실제 생물학적 특징을 식별하고 있음을 확인시켜 주었습니다.

이 연구는 자궁경부암을 탐지하는 데 사용되는 다른 방법들과 이 새로운 접근 방식을 비교 분석합니다. 이전의 오래된 머신러닝 기법이나 대조 요소가 없는 표준 딥러닝 모델을 사용한 시도들은 더 낮은 정확도를 기록했습니다. 서로 다른 유형의 신경망을 사용하는 일부 고급 모델들조차 이 결합된 방식의 성능을 따라잡는 데 어려움을 겪었습니다. 연구진은 자신들의 시스템이 매우 효과적이지만, 단 하나의 특정 데이터셋으로 테스트되었다는 점을 언급했습니다. 이는 결과가 강력하더라도, 시스템이 어디서나 작동할 수 있는지 확인하기 위해 다른 병원과 다른 염색 기법을 사용하는 이미지들에 대해 추가적인 테스트가 필요함을 의미합니다. 그럼에도 불구하고, 이번 연구 결과는 단순히 레이블을 암기하는 것을 넘어 유사성에 따라 시각적 정보를 조직하도록 컴퓨터를 가르치는 것이 더 견고하고 신뢰할 수 있는 진단 도구를 만든다는 것을 시사합니다. 이 연구는 단순한 패턴 매칭을 넘어 질병을 정의하는 시각적 증거에 대한 더 깊은 이해으로 나아가는, 병리학 분야의 인공지능에 대한 유망한 길을 제시합니다.