컴퓨터가 조직 사진의 색을 읽는 방식만 바꿔도 암 분류가 좋아질까요?

상세 설명

연구진은 조직 미세배열(tissue microarray, TMA)에서 절편을 만들고 헤마톡실린/에오신(H&E)으로 염색한 흑색종 생검 검체를 대상으로 기계 분류 방법을 실험적으로 비교했다. 흑색종 진행의 네 병기는 일곱 가지 조직 유형으로 표현되었다. 여기에는 양성 모반, 방사상 및 수직 성장 양상의 원발 종양(I기), 그리고 네 가지 이차 전이성 종양인 피하 조직(II기), 림프절(III기), 위장관 및 연조직(IV기) 종양이 포함되었다. 실험에는 TMA 코어 164개에서 얻은 영상 표본 14,208개가 사용되었다.

연구진은 RGB 영상을 디지털 색 분해(deconvolution)하여 H(헤마톡실린)와 E(에오신) 채널로 나누는 HE 색 공간을 구성했다. 또한 Weighted Neighbor Distance(WND), Radial Basis Functions(RBF), k-Nearest Neighbors(kNN)의 세 분류기를 비교했다.

HE 색 공간은 세 분류기 모두에서 다른 색 공간보다 일관되게 우수한 성능을 보였고, 분류기 간 차이는 정확도에 미치는 영향이 더 작았다. 연구진은 이를 생리학적으로 더 적절한 색 표현이 이후의 처리 단계보다 올바른 영상 해석에 더 큰 영향을 줄 수 있음을 보여주는 결과로 해석했다.

데이터셋을 학습용 시야와 시험용 시야로 무작위 분할했을 때, 개별 시야의 평균 분류 정확도는 96%였다. 학습에 사용하지 않은 코어 전체를 시험했을 때는 분류 정확도가 100%였다. 이 시험은 무작위 시행 네 차례로 이루어졌으며, 매번 일곱 분류 각각에서 시험용 코어를 하나씩 사용해 총 28회 시험했다. 각 코어는 서로 다른 환자에 해당했으므로, 이 시험은 이전 사례로 학습한 뒤 새로운 환자를 평가하는 임상적으로 관련성 있는 상황을 더 가깝게 모사했다.

이 분석 방법에는 흑색종의 형태에 특화된 매개변수나 조정이 없었다. 따라서 연구진은 다른 조직과 표현형의 분석에도 사용할 수 있으며, 잠재적으로는 다른 영상 방식과 대비 기법에도 활용할 수 있다고 제안했다.