기술 요약: 비전 트랜스포머를 이용한 MYC 상태 예측의 효율성 및 해석 가능성

문제 정의

미만성 거대 B세포 림프종(DLBCL)에서 MYC 원암유전자(proto-oncogene)의 상태를 예측하는 것은 위험 층별화 및 치료 계획 수립에 있어 매우 중요하며, 이는 MYC 양성 사례가 공격적인 질병 진행과 연관되어 있기 때문이다. 현재 검출을 위한 표준 방식은 형광 제자리 부합법(FISH)이지만, 이는 자원 집약적이고 비용이 많이 들며 시간이 오래 걸리는 실험실 테스트이다. 딥러닝은 표준 헤마톡실린 및 에오신(H&E) 전체 슬라이드 이미지(WSI)로부터 바이오마커 상태를 예측할 수 있는 잠재력을 제공하지만, 기존의 합성곱 신경망(CNN)은 림프종 조직의 다중 스케일 구조적 복잡성, 특히 장거리 공간 의존성을 포착하지 못하는 한계를 보인다. 또한, DLBCL 맥락에서 예측 정확도, 계산 효율성, 그리고 생물학적 해석 가능성 사이의 트레이드오프(trade-off)를 비교하는 체계적인 헤드 투 헤드(head-to-head) 벤치마크 연구가 부족한 실정이다.

방법론

본 연구는 대규모 디지털 병리 이미지 데이터셋을 대상으로 다섯 가지 구조적으로 다양한 비전 트랜스포머(Vision Transformer) 아키텍처를 평가하는 종합적인 벤치마크를 구축하였다.

• 데이터셋: 본 연구는 Hospital Universiti Sains Malaysia에서 확보한 120명의 환자(60명은 MYC 양성, 60명은 MYC 음성)로부터 얻은 120개의 고해상도 H&E 염색 WSI를 활용하였다. 데이터 누출을 방 방지하기 위해 데이터셋은 환자 단위로 엄격히 분할되었으며, 그 결과 84개의 WSI로 구성된 훈련 세트, 12개의 WSI로 구성된 검증 세트, 그리고 12개의 WSI로 구성된 테스트 세트가 생성되었다.
• 데이터 전처리:
  • 압축: 핵 염색질(nuclear chromatin) 질감과 같은 고주파 형태학적 세부 사항을 보존하기 위해 무손실 압축을 적용하였다.
  • 정규화: 슬라이드 간의 색상 변화를 교정하기 위해 Macenko 정규화를 사용하였다.
  • 패치 추출: WSI를 겹치지 않는 256×256 픽셀 패치로 타일링하였다. 자동화된 저엔트로피 필터링 과정을 통해 배경 및 저세포성 영역을 제거하여, 최종적으로 463,200개의 고품질 패치(클래스당 231,600개)를 확보하였다.
• 평가된 아키텍처:
  1. Basic ViT: 순수한 전역적 문맥(global context)을 평가하기 위한 표준 글로벌 셀프 어텐션 모델.
  2. Tokens-to-Token (T2T) ViT: 국소적 구조 정보를 포착하기 위해 재귀적 토큰 집계(recursive token aggregation)를 포함함.
  3. CLIP-ViT B/16: 자연 이미지로부터의 특징 전이 가능성을 테스트하기 위한 사전 학습된 파운데이션 모델(frozen backbone, fine-tuned head).
  4. Swin Transformer: 선형 계산 복잡도를 가지며 계층적, 국소적 어텐션을 활용하는 이동 윈도우(shifted-window) 메커니즘을 사용함.
  5. Hierarchical ViT (PVT-v2): 세포 하부 및 전역 조직 패턴을 모두 처리하기 위해 다중 해상도 특징 추출을 모사하는 피라미드 기반 아키텍처.
• 훈련 프로토콜: 모든 모델은 Nvidia Tesla T4 GPU에서 PyTorch를 사용하여 100 에포크(epoch) 동안 훈련되었다. 공정한 비교를 위해 동일한 하이퍼파라미터 설정(AdamW 옵티마이저, 학습률 $1\times10^{-4}$, 가중치 감쇠 0.05, 배치 크기 32, Cosine Annealing 스케줄러)을 적용하였다.
• 평가 지표: 성능은 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score, AUROC, 그리고 평균 정밀도(Average Precision, AP)를 사용하여 평가되었다. 계산 효율성은 추론 처리량(초당 반복 횟수, it/s)으로 측정되었다.
• 통계적 검증: Wald의 점근 공식(asymptotic formula)을 사용하여 95% 신뢰 구간을 계산하였다. AUROC 곡선에 대한 쌍별 비교는 Holm-Bonferroni 교정을 적용한 DeLong 테스트를 통해 수행되었다.
• 설명 가능성: 특정 조직 영역이 모델 예측에 미치는 영향을 시각화하기 위해 Grad-CAM을 채택하였다.

주요 결과

연구 결과, 아키텍처 간의 진단 정확도와 계산 효율성 사이에 뚜렷한 트레이드오프가 있음이 드러났다.

• 진단 정확도: Hierarchical ViT가 가장 높은 전체 분류 정확도(0.82)와 두 클래스 모두에서 가장 균형 잡힌 F1-score를 달eric했다. 이 모델은 다른 모델들에 비해 위음성(false negatives)과 위양성(false positives)을 피하는 데 탁월한 능력을 보여주었다.
• 위험 층별화 (AUROC): Swin Transformer가 가장 높은 AUROC(0.90)를 기록하였으며, 이는 Hierarchical ViT(0.89, $p=0.040$) 및 다른 모든 아키텍처를 통계적으로 유의미하게 상회하는 결과이다. 이는 Swin Transformer가 위험 확률을 순위 매기는 데 매우 효과적이며, 지속적인 스크리닝에 적합함을 나타낸다.
• 계산 효율성: 정확도와 속도 사이의 명확한 역관계가 관찰되었다. CLIP-ViT가 가장 빨랐으나(14.53 it/s), 정확도는 가장 낮았다(0.69). Hierarchical ViT는 가장 느렸으며(1.78 it/s, 슬라이드당 약 36분 소요), Swin Transformer는 중간 단계의 성능을 제공하였다(5.16 it/s, 슬라이드당 약 12.5분 소요). Swin Transformer는 가장 정확한 모델인 Hierarchical ViT보다 거의 3배 높은 처리량을 제공하면서도 우수한 성능을 보였다.
• 해석 가능성: Grad-CAM 시각화 결과, 고성능 모델(Hierarchical ViT 및 Swin Transformer)은 다형성 핵(pleomorphic nuclei) 및 과염색질(hyperchromatic chromatin)과 같이 형태학적으로 유의미한 종양 영역에 집중하고 있음을 확인하였다. 반면, 저성능 모델(Basic ViT)은 주로 배경 기질(stroma)이나 아티팩트에 주목하는 경향을 보였다.

의의 및 주장

본 논문은 MYC 상태 예측을 위한 다섯 가지 서로 다른 트랜스포머 패러다임을 최초로 종합적인 헤드 투 헤드 벤치마크로 제시한다고 주장한다. 주요 기여는 다음과 같다:

1. 구조적 청사진: 단일 센터 및 패치 수준의 제약 조건 하에서의 디지털 병리 워크플로우를 위한 구조적 청사진을 구축하였으며, 단일 아키텍처가 보편적으로 우월할 수는 없음을 입증하였다.
2. 트레이드오프 식별: 연구는 서로 다른 임상적 요구에 따른 "파레토 최적(Pareto-optimal)" 솔루션을 명시적으로 식별하였다:
   • Hierarchical ViT는 높은 계산 비용에도 불구하고 최대 정확도가 요구되는 확정적 진단 분류를 위한 최적의 선택으로 식별되었다.
   • Swin Transformer는 AUROC에서 통계적으로 유의미한 우위를 점하고 가장 정확한 모델보다 거의 3배 빠른 추론 속도를 제공하므로, 위험 층별화 및 고처리량 스크리닝을 위한 최적의 선택으로 식별되었다.
3. 임상적 신뢰: Grad-CAM을 통합함으로써, 본 연구는 고성능 트랜스포머가 예측의 근거를 생물학적으로 유의미한 특징(핵 형태학)에 두고 있음을 보여줌으로써 "블랙박스" 지표와 임상적 유용성 사이의 간극을 메웠다.

저자들은 본 연구가 단일 센터 코호트 및 패치 수준 분석에 기반하고 있다는 점을 언급하며 신중한 태도를 유지하였다. 또한, 이러한 결과가 자동화된 스크리닝을 위한 강력한 프레임워크를 제공하지만, 패치 수준의 예측을 최종 환자 진단으로 변환하기 위해서는 다기관 검증과 다중 인스턴스 학습(Multiple Instance Learning)과 같은 슬라이드 수준의 집계 방법의 통합이 실제 임상 배포를 위해 필요하다고 주장한다.