다중이미징을 위한 공간점패턴 분할의 두 단계 접근법

초록

본 논문은 멀티플렉스 면역형광 이미지에서 추출한 세포 위치 데이터를 공간점패턴(SPP)으로 모델링하고, 격자 기반 지역 강도와 쌍상관함수(PCF)를 추정한 뒤, 기능적 주성분 분석으로 차원을 축소한다. 이후 베이지안 계층적 군집 모델인 Potts Clustering Model(PCM)을 적용해 공간적으로 연속된 클러스터 라벨을 추정하고, MCMC를 통해 불확실성을 정량화한다. 시뮬레이션과 췌장암 조직 이미지 분석을 통해 방법의 유효성을 입증한다.

상세 분석

이 연구는 기존의 모델 기반 혹은 단순 LISA 기반 두 단계 군집 방법의 한계를 극복하고자 한다. 첫 단계에서는 이미지 전체를 사전에 정의된 격자(grid)로 분할하고, 각 격자 셀에 대해 첫 번째 차수 강도(intensity)와 두 번째 차수 특성인 쌍상관함수(PCF)를 로컬하게 추정한다. PCF는 거리 r에 대한 함수 형태이므로 고차원 함수 데이터가 되며, 이를 직접 클러스터링에 사용하면 차원의 저주와 잡음에 취약하다. 저자들은 공분산 함수의 스펙트럼 분해를 통해 주요 고유함수(즉, 기능적 주성분)를 도출하고, 각 격자에 대한 점수(score)를 계산한다. 이 점수와 강도 추정값을 결합해 Q=K+H 차원의 특징 벡터 ξₙₗ을 만든 뒤, 표준화한다. 두 번째 단계에서는 이러한 ξₙₗ을 입력으로 Potts 모델 기반 베이지안 혼합 모델을 구축한다. Potts 모델은 인접 격자 간 라벨이 동일할 확률을 ψ 파라미터로 조절해 공간적 연속성을 강제한다. 라벨 Cₙₗ은 사전 지정된 M개의 클러스터 중 하나에 할당되며, 각 클러스터 η에 대한 평균 특성 µ_{qη}를 추정한다. 전체 모델은 α₁=0으로 식별성을 확보하고, 정규화 상수 d(θ)의 비가역성을 완화하기 위해 교환 알고리즘(Metropolis‑Hastings within Gibbs)과 사전 분포를 활용한다. MCMC 샘플링을 통해 라벨의 사후 분포와 µ_{qη}의 불확실성을 동시에 추정한다. 시뮬레이션에서는 다양한 격자 크기, 클러스터 수, 잡음 수준에서 정확도와 공간 일관성을 검증했으며, 실제 췌장암 mIF 데이터에서는 6개의 임상군에 걸쳐 서로 다른 공간적 레짐을 성공적으로 구분했다. 이 방법은 (1) 로컬 동질성 가정 하에 강도와 PCF를 동시에 활용함으로써 1차·2차 공간 정보를 통합, (2) 기능적 차원 축소를 통해 고차원 함수 데이터를 효율적으로 요약, (3) Potts 모델을 통한 공간적 정규화로 군집 경계가 생물학적 의미를 갖도록 만든다는 점에서 기존 방법보다 뛰어난 유연성과 해석력을 제공한다. 다만 격자 크기 선택에 따라 지역 동질성 가정이 위배될 위험이 있으며, PCF 추정 시 경계 효과와 희소 데이터에 대한 민감도가 남아 있다. 향후 비정형 격자나 적응형 파티셔닝, 그리고 다중 마크(세포 유형) 간 상호작용을 직접 모델링하는 확장이 필요하다.