HistoMet 원발 종양 조직학으로 전이 진행과 전이 부위 예측하는 판암 딥러닝 프레임워크

초록

HistoMet은 원발 종양 전자현미경 슬라이드(WSI)를 이용해 전이 위험을 먼저 예측하고, 고위험 환자에 대해 전이 가능한 장기를 추정하는 2단계 멀티인스턴스 학습(MIL) 모델이다. 병리 영상‑언어 모델을 활용해 조직학적 개념을 정렬하고, 다중 배율(10×, 20×) 특징을 융합해 해석 가능성을 높였다. 6,504명의 판암 환자를 대상으로 95% 민감도 목표에서 전이 위험 선별 시 작업량을 23% 감소시키면서 전이 부위 예측에서 매크로 F1 = 74.6 ± 1.3, 매크로 AUC = 92.1 ± 0.9를 달성했다.

상세 분석

본 논문은 전이 진행과 전이 부위 예측을 임상적 의사결정 흐름에 맞춰 순차적으로 모델링한 최초의 딥러닝 프레임워크인 HistoMet을 제안한다. 기존 연구들은 전이 여부 혹은 전이 부위 예측을 별개의 과제로 다루어 왔으며, 전이 위험을 선별한 뒤 후속 분석을 수행하는 임상 프로세스를 반영하지 못했다. HistoMet은 이러한 한계를 극복하기 위해 두 개의 모듈로 구성된 파이프라인을 설계하였다. 첫 번째 모듈(A)은 다중 배율(10×, 20×) 패치 특징을 MIL 기반 어그리게이터에 입력해 전이 위험을 이진 분류한다. 여기서는 높은 민감도(95%)를 목표로 임계값을 조정함으로써 전이 환자를 최대한 놓치지 않으면서도 비전이 환자를 효과적으로 배제한다. 두 번째 모듈(B)은 모듈 A에서 고위험으로 판정된 슬라이드에 대해 시각적 프로토타입 토큰을 학습하고, 이를 사전 학습된 병리 영상‑언어 모델(CLIP 기반)에서 추출한 텍스트 임베딩과 정렬한다. 이 과정에서 ‘림프절 전이’, ‘간 전이’ 등 임상적으로 정의된 개념을 시맨틱 공간에 매핑함으로써 모델의 해석 가능성을 크게 향상시켰다. 또한, 다중 배율 특징을 융합해 미세한 조직학적 신호와 거시적 구조를 동시에 포착한다.

데이터는 6,504명의 환자(총 6,858 슬라이드)로 구성된 다기관 판암 코호트이며, 전이 여부와 전이 부위(뇌, 림프절, 간, 연부조직) 라벨을 포함한다. 클래스 불균형이 심한 전이 부위 예측 문제를 해결하기 위해 매크로 평균 지표와 원-대-나머지(AUC) 방식을 사용하였다. 실험 결과, 모듈 A는 기존 ABMIL, CLAM, TransMIL 등 SOTA MIL 모델 대비 동일 민감도에서 더 높은 특이도와 좋은 캘리브레이션을 보였다. 모듈 B는 텍스트‑이미지 정렬을 통해 희귀 부위(뇌, 간)에서도 매크로 F1 = 74.6 ± 1.3, 매크로 AUC = 92.1 ± 0.9를 달성, 특히 데이터가 부족한 클래스에서 성능 향상이 두드러졌다. 전체 파이프라인을 고감도(95%) 운영점에서 평가했을 때, 5‑class 정확도는 55.8%, 매크로 F1은 61.2%로, 동일 조건의 다른 MIL 기반 시스템보다 우수했으며, 전이 위험이 낮은 23%의 슬라이드를 선별적으로 배제함으로써 병리사의 작업량을 현저히 감소시켰다.

핵심 인사이트는 (1) 임상 의사결정 흐름을 모델에 명시적으로 반영하면 오류 전파를 최소화하면서 전체 시스템 성능을 향상시킬 수 있다. (2) 병리 영상‑언어 모델을 활용한 개념 정렬은 흑‑백 딥러닝 모델의 해석 가능성을 크게 높이며, 특히 희귀 전이 부위 예측에 유리하다. (3) 다중 배율 특징 융합은 전이와 연관된 다양한 조직학적 스케일을 포착해 예측 정확도를 증진한다. 이러한 설계는 실제 병원 현장에서 전이 위험 스크리닝과 맞춤형 치료 계획 수립에 바로 적용 가능하도록 설계된 점이 의의다.