Automated Classification of AML and Multiple Myeloma from Blood Smear Whole Slide Images using Deep Neural Networks
이 논문은 수동 주석 없이 소벨 엣지 검출, 가우시안 혼합 모델 클러스터링, 그리고 VGG16 기반 전이 학습을 결합하여 혈액 도말 전체 슬라이드 이미지로부터 급성 골수성 백혈병과 다발성 골수종을 분류하는 데 있어 높은 진단 정확도를 달성하는 완전 비지도 딥러닝 파이프라인을 제시한다.
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
정밀한 진단이 이루어지는 고요하고 긴박한 의료 현장에서, 병리학자들은 종종 자신이 사용할 수 있는 가장 근본적인 도구인 현미경에 의존합니다. 환자가 혈액암 증상을 보이면, 의사는 아주 작은 혈액 한 방울을 채취하여 유리 슬라이드에 펴 바른 뒤, 세포의 숨겨서 구조를 드러내기 위해 화려한 색의 염료로 염색합니다. 특히 공격적인 두 가지 형태의 혈액암인 급성 골수성 백혈병과 다발성 골수종은 이러한 세포 경관 속에 뚜렷한 지문을 남깁니다. 수십 년 동안 숙련된 인간의 눈은 이 슬라이드를 판독하여 질병을 알리는 세포의 모양과 배열의 미세한 차이를 식별하는 표준 역할을 해왔습니다. 그러나 현대 의학은 이 과정을 디지털화하여, 전체 슬라이드의 거대하고 고해 resolution인 디지털 이미지를 생성하기 시작했습니다. 이 디지털 파일들은 기가픽셀 단위로 측정될 만큼 거대하며, 전통적인 컴퓨터 프로그램으로는 감당할 수 없는 수백만 개의 미세한 세부 정보를 포함하고 있습니다. 과학자들의 과제는 인간 병리학자가 보는 것을 컴퓨터에게 가르치는 것이었으며, 방대한 데이터의 양에 길을 잃거나 사람이 일일이 모든 세포를 직접 가리켜 줄 필요 없이 말입니다.
루이스 대학교(Lewis University)의 연구팀은 이 문제를 해결할 새로운 방법을 개발하여, 인간의 도움 없이도 이 거대한 디지털 혈액 슬라이드로부터 급성 골수성 백혈병과 다발성 골수종을 자동으로 구별할 수 있는 시스템을 구축했습니다. 거대한 전체 이미지를 한꺼번에 분석하려고 시도하는 대신(이는 컴퓨터가 처리하기에 너무 벅차기 때문입니다), 연구진은 문제를 더 작고 관리 가능한 조각들로 나누었습니다. 그들은 디지털 슬라이드를 거대한 모자이크처럼 취급하여 수천 개의 작은 정사각형 타일로 잘랐습니다. 첫 번째 단계는 컴퓨터에게 빈 공간을 무시하도록 가르치는 것이었습니다. 마치 사람이 텍스트에 집중하기 위해 페이지의 빈 흰색 여백을 무시하는 것처럼, 연구진은 이미지 내의 물체 가장자리를 강조하기 위해 수학적 필터를 사용했습니다. 소벨 에지 검출기(Sobel edge detector)라고 알려진 이 필터는 형광펜처럼 작동하여, 빈 배경과 슬라이드의 어두운 가장자리는 흐릿하게 만드는 동시에 세포와 조직의 윤곽선을 따라 그려냅니다.
컴퓨터가 어떤 타일이 실제 생물학적 물질을 포함하고 있는지 식별한 후에는, 유용한 타일과 쓸모없는 타일을 분리하기 위해 클러스터링(군집화) 방법을 사용했습니다. 이 과정은 마치 색깔이 무엇인지 전혀 듣지 못한 채로 혼합된 구슬 주머니를 색깔별로 분류하는 것과 비슷합니다. 컴퓨터는 각 타일의 가장자리 패턴을 살펴보고 유사성에 따라 그룹화했습니다. 이러한 비지도 학습 방식 덕분에 시스템은 빈 배경이나 이미지 오류에 불과한 타일을 자동으로 폐기할 수 있었고, 세포 구조로 가득 찬 깨끗한 타일 모음만을 남겼습니다. 원래의 34개 디지털 슬라이드 세트에서, 이 필터링 과정을 통해 진단적 가치가 없는 154,000개 이상의 타일을 버리고 세포를 포함한 약 385,000개의 정보가 담긴 타일을 얻어냈습니다.
선별된 세포 타일 컬렉션을 가지고, 연구진은 컴퓨터에게 두 질병을 구별하는 법을 가르치기 위해 전이 학습(transfer learning)이라는 강력한 도구를 활용했습니다. 그들은 원래 고양이, 개, 자동차의 일상적인 사진 수백만 장을 학습하도록 설계된 기존의 딥러닝 모델을 가져와 혈액 세포를 보도록 용도를 변경했습니다. 컴퓨터는 이미 일반적인 이미지 학습을 통해 복잡한 모양, 질감, 패턴을 인식하는 법을 배웠기 때문에, 방대한 양의 라벨링된 의료 데이터베이스를 필요로 하지 않고도 혈액 암세포를 식별하는 특정 작업에 빠르게 적응할 수 있었습니다. 연구진은 선택된 타일들을 이 시스템에 입력했고, 시스템은 이미지로부터 깊고 숨겨진 특징들을 추출하여 최종 결정을 내리기 위해 설계된 맞춤형 신경망으로 전달했습니다. 이 네트워크는 두 종류의 암 사이의 미세한 형태학적 차이를 인식하는 법을 배웠으며, 효과적인 전문가 분류기가 되었습니다.
이 자동화된 파이프라인의 결과는 놀라울 정도로 정밀했습니다. 한 번도 본 적 없는 타일 세트로 테스트했을 때, 시스템은 거의 97%의 사례에서 암의 유형을 정확히 식별했습니다. 질병이 있을 때 이를 포착하는 데 매우 효과적이었으며, 질병이 없을 때도 동일하게 잘 확인하여 오보의 위험을 최소로 줄였습니다. 컴퓨터가 단순히 추측하는 것이 아님을 보장하기 위해, 연구진은 모델이 결정을 내릴 때 이미지의 정확히 어느 부분을 보고 있었는지를 강조하는 시각화 기술을 사용했습니다. 이 시각적 지도들은 시스템이 무작위 노이즈나 무관한 부분이 아니라, 인간 병리학자가 검사하는 것과 동일한 특징인 실제 세포 구조에 집중하고 있음을 보여주었습니다.
이 연구는 의사의 수동적인 이미지 라벨링 없이도 완전히 자동화된 프로세스를 사용하여 혈액암에 대한 고도로 정확한 진단 도구를 구축하는 것이 가능하다는 것을 입증합니다. 에지 검출을 통한 세포 찾기, 클러스터링을 통한 데이터 정제, 그리고 전이 학습을 통한 특징 추출을 결합함으로써, 연구진은 오래되고 덜 정교한 기술에 의존하는 기존의 많은 방법보다 뛰어난 성능을 보이는 파이프라인을 만들었습니다. 이 연구는 데이터가 올바르게 처리된다면 상대적으로 적은 수의 환자 샘례만으로도 높은 진단 정확도를 달할 수 있음을 시사합니다. 그러나 저자들은 이 시스템이 의료 전문가를 대체하는 것이 아니라 보조하기 위한 것임을 주의 깊게 명시하고 있습니다. 현재 모델은 동일한 슬라이드에서 추출된 타일로 학습 및 테스트되었으므로, 완전히 새로운 환자나 다른 병원, 또는 다른 염색법을 사용하는 경우에도 작동하는지는 아직 증명되지 않았습니다. 이 기술이 디지털 병리학의 미래에 큰 가능성을 보여주기는 하지만, 연구진은 이러한 도구가 치료 결정을 안내하는 실제 임상 현장에서 사용되기 전에는 독립적인 환자 집단을 대상으로 추가적인 테스트가 필요하다고 강조합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.