최근 연구에서 연구진은 Prov-GigaPath라는 AI 기반 병리 모델을 개발하고 평가했습니다. 연구진에 따르면, 이 모델은 실제 사례의 대규모 데이터 세트를 기반으로 학습된 최초의 전슬라이드 병리 기초 모델로, 암세포를 진단하는 데 사용됩니다.
전산병리학은 암 진단을 혁신적으로 변화시켜 전문가들이 질병의 하위 유형, 병기 및 진행 가능성을dent데 도움을 줍니다. 여러 연구에서 머신러닝과 딥러닝은 다양한 유형의 암 조기 발견에 있어 더 나은 결과를 보여주었습니다.
관련 기사: 과학자들이 암 면역 치료법 향상을 위한 AI 기반 모델을 개발했습니다
프로비던스 헬스 시스템과 워싱턴 대학교는 이번 연구를 공동으로 진행했으며, 연구 게재되었습니다 . 마이크로소프트의 여러 사내 팀들도 이번 연구에 협력했습니다.
Prov-GigaPath 암 진단
Prov-GigaPath는 암 평가 및 진단에 널리 적용되는 전체 슬라이드 영상화 방법을 기반으로 합니다.
전체 슬라이드 이미징 기법은 종양 이미지가 담긴 현미경 슬라이드를 고해상도 디지털 이미지로 변환하는 기술입니다. 이러한 전체 슬라이드 이미지에는 종양 미세환경을 이해하는 데 도움이 되는 중요한 정보가 담겨 있습니다.
"Prov-Path는 이미지 타일 수 기준으로 TCGA보다 5배 이상 크고, 환자 수 기준으로 TCGA보다 2배 이상 큽니다." (네이처).
Prov-GigaPath는 28개의 암 센터를 보유한 Providence Health Network의 대규모 데이터셋인 Prov-path를 기반으로 학습되었습니다. 이 데이터셋은 171,189개의 실제 현미경 슬라이드에서 추출한 13억 개 이상의 이미지 타일로 구성되어 있습니다. 해당 슬라이드는 3만 명 이상의 환자에 대한 생검 및 절제술 과정에서 생성되었으며 31가지 주요 조직 유형을 포함합니다.
Prov-Path 데이터 세트에는 암 병기, 관련 병리 보고서, 유전체 돌연변이 프로필 및 조직병리학적 소견에 대한 데이터도 포함되어 있습니다. 이러한 다양한 데이터들을 종합하면 모델의 적용 조건을 더 잘 이해할 수 있습니다.
GigaPath는 Gigapixel 슬라이드의dent를 향상시킵니다
GigaPath는 Prov-GigaPath에서 기가픽셀 병리 슬라이드를 평가하는 데 사용하는 새로운 비전 변환기입니다. 이미지 타일을 시각적 토큰으로 사용하면 전체 슬라이드가 일련의 토큰으로 변환됩니다. 시퀀스 모델링을 위한 복잡한 패턴을 단순화하기 위해 이 비전 변환기는 신경망 아키텍처를 사용합니다.
핵심은 현미경 슬라이드 하나에 포함된 타일의 수가 워낙 많기 때문에 기존의 영상 변환 장치를 디지털 병리학에 직접 적용할 수 없다는 점입니다. 프로비던스 데이터의 경우 슬라이드 수가 최대 70,121개에 달할 수 있습니다. 연구진은 다음과 같이 지적했습니다
"이 문제를 해결하기 위해, 저희는 최근 개발한 LongNet 방법을 적용하여 확장된 자기 주의 메커니즘을 활용합니다."
많은 기능 변화 유전자 돌연변이가 암 진행에 관여하며, 이러한 돌연변이는 암 진단 및 예후 예측을 위해 검사될 수 있습니다. 연구에 따르면 시퀀싱 비용이 크게 감소했음에도 불구하고 여전히 의료 서비스 격차가 존재합니다. 이러한 격차의 주요 원인은 전 세계적인 종양 시퀀싱 접근성 부족으로 지적됩니다.
연구진은 병리 영상에서 종양 돌연변이를 예측하는 것이 치료 방법 선택과 개인 맞춤형 약물 치료에 도움이 될 수 있다고 강조했습니다.
연구진, 병리학 모델 비교
디지털 병리학은 계산상의 어려움을 수반합니다. 표준 기가픽셀 슬라이드는 일반적으로 기존 자연 이미지보다 수천 배나 크기 때문입니다. 기존의 영상 변환 기술은 한계가 있으며, 데이터 양이 많아질수록 계산 요구량이 증가하기 때문에 이러한 거대한 이미지를 처리하는 데 어려움을 겪습니다.
관련 기사: AI 도구, 암과의 싸움에서 면역 반응 예측
또 다른 중요한 점은 기존의 디지털 병리학 연구에서 각 현미경 슬라이드 내의 서로 다른 이미지 타일 간의 상호 의존성을 활용하지 못했다는 것입니다. 이러한 상호 의존성 연결에 대한 간과로 인해 슬라이드 수준의 맥락 정보가 누락되었는데, 이는 종양 미세환경 모델링과 같은 많은 응용 분야에 매우 중요합니다.
연구진은 이번 연구에서 Prov-GigaPath를 HIPT, Ctranspath, REMEDIS와 같은 공개적으로 사용 가능한 다른 병리학 기초 모델과 비교했습니다. 연구 결과, Prov-GigaPath는 26개 작업 중 25개에서 더 나은 성능을 보였으며, 연구진은 다음과 같이 언급했습니다
"Prov-GigaPath는 두 번째로 우수한 모델인 REMEDIS에 비해 AUROC(분류 모델의 성능 측정 지표)에서 23.5%, AUPRC(불균형 데이터셋 처리 시 유용한 지표)에서 66.4%의 성능 향상을 달성했습니다."
암은 생명을 위협하는 질병이며 매년 수백만 명의 목숨을 앗아갑니다. 디지털 병리 서비스 제공업체인 Paige의 공동 창립자이자 최고 과학자인 토마스 푹스는 CNBC와의 인터뷰에서 "병리학자가 암이라고 진단하기 전까지는 암이 아닙니다. 이것이 의료 체계 전체에서 가장 중요한 단계입니다."라고
잘 알려진 바와 같이, 기존 병리학 기술은 현미경으로 조직 샘플을 관찰하는 데 크게 의존하여 질병 진단을 지원해 왔습니다. 그러나 기술과 인공지능의 발전으로 이러한 방식이 변화하고 있으며, 암을dent하고 분류하는 과정이 가속화되고 있습니다. 대부분의 AI 병리학 모델은 현미경 슬라이드를 검사하는 동일한 기술을 디지털 방식으로 활용합니다.
아미르 셰이크의 Cryptopolitan 보도
