딕셔너리 기반 병리 마이닝과 하드 인스턴스 보정으로 유전 바이오마커 예측 혁신

** 본 논문은 병리학적 전반적 정보를 효과적으로 활용하면서도 WSIs에 내재된 잡음과 불필요한 영역으로 인한 모델 편향을 동시에 해결하고자 하는 두 가지 혁신적인 접근을 제시한다. 첫 번째 모듈인 ‘딕셔너리 기반 계층 병리 마이닝(Dict‑based Hierarchical Pathology Mining)’은 전통적인 MIL 프레임워크가 겪는 “패치 간 거리 제한”과 “병리 구성요소 미분류” 문제를 근본적으로 개선한다. 구체적으로, 저자는 대규모 학습 가능한 딕셔너리 D(원자 수 N)를 초기화하고, 각 패치 피처 x_i와 딕셔너리 원자 d_j 사이의 교차‑어텐션을 통해 유사도 행렬 S_{ij}=softmax(x_i·d_j) 를 계산한다. 이 행렬을 기반으로 각 패치를 가장 높은 유사도를 보이는 원자에 할당함으로써, 패치들을 미세 병리 그룹 G_k (k=1…K) 로 클러스터링한다. 여기서 K는 딕셔너리 원자 수와 동일하거나, 사전 정의된 상위 원자 수에 따라 결정된다. 그 후, 각 그룹 내부에서는 멀티‑헤드 셀프‑어텐션(MSA) 레이어를 적용해 intra‑group 상호작용을 학습한다. MSA는 그룹 내 패치들의 공간적·형태학적 관계를 포착하며, 이를 통해 “암세포와 TIL 간의 근접성”, “섬유아세포와 혈관 내피세포 간의 상호작용” 등 실제 병리학적 현상을 모델링한다. 그룹별 MSA 출력은 다시 un‑group 연산을 통해 원래의 패치 차원으로 복원되고, 이 업데이트된 피처는 딕셔너리 원자와의 교차‑어텐션을 재실행함으로써 딕셔너리를 점진적으로 정제한다. 이러한 과정을 L번 반복(L=3~5)함으로써 딕셔너리는 WSIs 전반에 걸친 복합적인 병리 정보를 압축하고, 최종적으로 그룹 간 관계를 Vision Transformer(ViT) 구조에 입력한다. ViT는 그룹 토큰 간의 전역 상호작용을 학습해, “면역 세포 군집이 종양 영역을 둘러싸는 패턴” 등 고차원적인 병리학적 시나리오를 포착한다. 두 번째 모듈인 ‘하드 인스턴스‑보조 분류기 디바이싱(Hard‑Instance‑Assisted Classifier Debiasing)’은 WSIs에 존재하는 대량의 배경(예: 정상 조직, 지방, 비특이적 염색)으로 인한 분류기의 편향을 완화한다. 딕셔너리 마이닝을 통해 얻은 패치 피처를 기반으로 K‑means(또는 Gaussian Mixture Model) 클러스터링을 수행한다. 클러스터링 결과는 양성(positive)와 음성(negative) 인스턴스에 대한 pseudo‑label을 자동 생성한다. 여기서 “hard instance”는 클러스터 경계에 위치하거나, 기존 분류기의 softmax 확신도가 낮은 샘플을 의미한다. 이러한 하드 인스턴스에 대해 별도의 손실 함수를 적용한다. 저자는 focal loss와 contrastive loss를 결합한 하이브리드 손실을 사용해, 모델이 어려운 샘플에 더 큰 가중치를 부여하도록 설계하였다. 결과적으로, 분류기는 단순히 “높은 attention 점수를 가진 큰 면적”에만 의존하지 않고, 실제 바이오마커와 연관된 미세한 조직학적 특징을 학습한다. 실험에서는 TCGA‑CRC‑MSI(대장암 MSI), TCGA‑GC‑MSI(위암 MSI), 그리고 외부 병원에서 수집한 세 개의 독립 코호트(총 5,000여 슬라이드)를 대상으로 5‑fold cross‑validation을 수행하였다. 주요 평가지표는 AUROC, AUPRC, 정확도, F1‑score이며, D2Bio는 기존 최첨단 MIL 모델(Attention‑MIL, CLAM, TransMIL, WIKG 등) 대비 평균 AUROC 0.92 ± 0.02를 기록했다. 특히 TCGA‑CRC‑MSI에서는 0.94의 AUROC를 달성해 두 번째 최고 모델보다 4%p 이상 우수하였다. Ablation study 결과, 딕셔너리 마이닝을 제거하면 AUROC가 0.86으로 감소하고, 하드 인스턴스 디바이싱을 제외하면 0.88로 감소한다는 점에서 두 모듈이 상호 보완적으로 작용함을 확인했다. 시각적 해석 측면에서는, 학습된 딕셔너리 원자와 클러스터링된 패치가 실제 병리학적 구조와 높은 일치도를 보였다. 예를 들어, 특정 원자는 TIL 군집을, 다른 원자는 암세포 핵 밀집 영역을 대표했으며, 이를 기반으로 생성된 heatmap은 병리학자들의 직관과 일치하였다. 또한, 예측된 MSI 양성/음성 그룹을 이용한 Kaplan‑Meier 생존 분석에서, D2Bio가 구분한 양성 그룹은 통계적으로 유의미하게 더 나은 생존율을 보였으며, 이는 임상적 활용 가능성을 시사한다. 한계점으로는 (1) 딕셔너리 원자 수와 L 반복 횟수 등 하이퍼파라미터가 데이터 규모와 조직 유형에 따라 민감하게 변할 수 있어 자동 튜닝이 필요함, (2) 현재는 이진 바이오마커(양성/음성)만을 대상으로 하며 다중 클래스(예: KRAS, NRAS, BRAF 등) 확장에 대한 추가 연구가 요구됨, (3) 클러스터링 기반 pseudo‑label이 잡음에 취약할 가능성이 있어 semi‑supervised 라벨링이나 자기 지도 학습과 결합하면 더욱 견고한 성능을 기대할 수 있다. 결론적으로, D2Bio는 딕셔너리 기반의 미세 병리 구성요소 추출과 하드 인스턴스 중심의 분류기 교정이라는 두 축을 통해 WSIs 기반 유전 바이오마커 예측에서 기존 MIL 방법들을 크게 능가한다. 이 접근법은 병리학적 해석 가능성을 유지하면서도 높은 예측 정확도를 제공하므로, 향후 임상 병리학 및 정밀 의학 분야에 널리 적용될 잠재력을 가진다. **