iSight: 전문가와 AI가 함께하는 면역조직화학 염색 평가 혁신

초록

iSight는 Human Protein Atlas에서 구축한 1천만 장 이상의 IHC 이미지와 풍부한 메타데이터를 활용한 대규모 데이터셋(HPA10M) 위에 다중 과제 학습 프레임워크를 적용한 모델이다. 시각적 특징과 조직·진단 메타 정보를 토큰‑레벨 어텐션으로 결합해 염색 강도, 위치, 양, 조직 유형, 악성 여부를 동시에 예측한다. 검증에서 위치 85.5 %, 강도 76.6 %, 양 75.7 %의 정확도를 기록했으며, 기존 H&E 기반 파운데이션 모델보다 2.5–10.2 % 우수했다. 또한 8명의 병리학자를 대상으로 한 사용자 연구에서 AI 보조가 진단 정확도와 병리학자 간 일치도를 모두 향상시켰다.

상세 분석

본 논문은 IHC 특화 AI 모델 개발에 필요한 두 가지 핵심 과제를 해결한다. 첫째, Human Protein Atlas 웹에서 비정형으로 제공되던 10 495 672장의 IHC 이미지를 체계적으로 크롤링·정제하고, XML 메타데이터를 표준화(UBERON, SNOMED, UniProt 등)하여 고유 MD5 해시와 함께 HPA10M 데이터셋을 구축하였다. 정상 조직 45종·암 조직 20종을 포괄하고, 17 200여 개 단백질 마커와 연령·성별 등 환자 정보를 포함해 멀티모달 학습에 최적화된 구조를 제공한다. 둘째, iSight 모델은 Vision Transformer(CLIP‑ViT‑large‑patch‑14‑336)를 이용해 336×336 패치의 토큰 시퀀스를 추출하고, gated attention 기반 다중 인스턴스 학습(MIL)으로 패치‑레벨 정보를 가중합한다. 메타데이터는 별도 텍스트 인코더로 임베딩한 뒤, 토큰 임베딩과 결합해 최종 토큰‑레벨 어텐션에 투입한다. 이렇게 설계된 멀티태스크 헤드는 염색 강도(4‑class), 위치(4‑class), 양(4‑class)와 조직 유형·악성 여부를 동시에 학습함으로써 공유 표현을 극대화한다. 실험 결과, iSight는 위치 정확도 85.5 %·강도 76.6 %·양 75.7 %를 달성했으며, PLIP·CONCH 등 기존 파운데이션 모델 대비 2.5–10.2 % 향상되었다. 또한 Expected Calibration Error가 0.0150–0.0408로 낮아 예측 신뢰도가 높았다. 사용자 연구에서는 8명의 병리학자가 200장의 이미지에 대해 AI 보조 전후의 성능을 비교했으며, AI 지원 후 위치(κ 0.63→0.70), 강도(κ 0.74→0.76) 등 Cohen’s κ가 모두 상승했다. 이는 iSight가 인간 전문가와 협업할 때 진단 일관성을 크게 개선함을 시사한다. 한계점으로는 현재 데이터가 주로 연구용 HPA 이미지에 국한돼 실제 임상 슬라이드와 색상·프로토콜 차이가 존재한다는 점이며, 실시간 슬라이드 스캐닝 및 대규모 임상 검증이 향후 과제로 남는다.