Nuquantus 복합 면역형광 조직 이미지에서 핵 특성화 및 정량화 머신러닝 소프트웨어

초록

Nuquantus는 세포 경계가 보이지 않는 다채널 면역형광 조직 이미지에서 핵을 자동으로 검출·분류하고, 심근세포와 비심근세포를 구분하여 증식·사멸을 정량화하는 머신러닝 기반 분석 도구이다. 복잡한 조직 구조와 병리학적 변화를 학습해 높은 정확도를 유지하며, 대규모 이미지 데이터의 객관적 처리를 가능하게 한다.

상세 분석

본 논문은 기존의 수동적 조직 이미지 분석이 갖는 주관성·시간 소모 문제를 해결하기 위해, 핵 검출·분류를 전담하는 머신러닝 프레임워크 Nuqualus를 제안한다. 핵 검출 단계에서는 다중 채널(핵, 세포질, 세포특이 마커 등)에서 얻은 픽셀 강도와 형태학적 특징을 결합한 2‑D 템플릿 매칭과 전처리(노이즈 억제, 배경 보정)를 수행한다. 이후, 랜덤 포레스트 기반 분류기가 학습 데이터(전문가가 라벨링한 핵 이미지)를 이용해 “심근세포 핵”과 “비심근세포 핵”을 구분한다. 핵 형태(면적, 원형도, 경계 굴곡)와 주변 마커 강도(예: α‑액틴, DAPI) 등 30여 개의 피처가 입력으로 사용되며, 교차 검증을 통해 과적합을 방지한다.

특히, Nuquantus는 조직 재구성 과정에서 나타나는 섬유화, 혈관 신생, 염증 세포 침윤 등 구조적 변이를 자동으로 인식하도록 설계되었다. 이를 위해 이미지 전체에 대한 지역적 통계와 스케일 불변 피처를 도입해, 동일한 모델이 다양한 병리 단계와 실험 조건에 적용될 수 있다.

성능 평가는 심근경색 후 1주, 2주, 4주 시점의 마우스 심장 절편을 대상으로 진행되었으며, 수동 라벨링과 비교했을 때 평균 정확도 94 %·정밀도 92 %·재현율 95 %를 기록했다. 또한, Ki‑67·EdU와 같은 증식 마커와 TUNEL·caspase‑3 같은 사멸 마커를 동시에 분석함으로써, 세포 유형별 증식·사멸 비율을 정량화하였다. 이러한 결과는 기존에 전문가가 일일이 눈으로 확인하던 작업을 10배 이상 가속화하고, 인간 오류를 현저히 감소시켰다.

기술적 한계로는 매우 얇은 절편에서 핵이 겹쳐 보이는 경우와, 형광 채널 간 스펙트럼 누출이 심한 경우 분류 정확도가 떨어질 수 있다는 점을 언급한다. 향후 딥러닝 기반 세그멘테이션 모델과 멀티스케일 어텐션 메커니즘을 도입해 이러한 문제를 보완할 계획이다.

전반적으로 Nuquantus는 조직학적 이미지 분석에 머신러닝을 적용한 실용적인 사례로, 연구자들이 대규모 병리 데이터셋을 신속하고 객관적으로 처리할 수 있게 함으로써, 질병 메커니즘 연구와 약물 효능 평가에 큰 기여를 할 것으로 기대된다.