라벨프리 자동형광 이미지와 딥러닝을 이용한 비소세포폐암 병리 아형 구분

초록

본 연구는 조직을 염색하지 않은 상태에서 자동형광 강도와 형광 수명(FLIM) 영상을 활용하고, 딥러닝 기반 분류기와 GAN 기반 가상 면역조직화학(IHC) 스테인을 결합해 비소세포폐암(NSCLC)의 정상, 선암(AC), 편평세포암(SqCC), 기타 아형(OS)을 고정밀도로 구분한다. 이중 이진 및 다중 클래스 분류에서 AUC가 0.981~0.996에 달했으며, 가상 TTF‑1·p40 스테인은 3명의 병리전문의에게 블라인드 평가에서 임상 수준의 품질을 인정받았다.

상세 분석

이 논문은 라벨프리(염색·표지 없이) 자동형광 이미징과 최신 딥러닝 기법을 융합해 NSCLC 병리 아형을 빠르고 정확하게 판별하는 새로운 워크플로우를 제시한다. 먼저 280명 이상으로부터 수집한 631개의 조직 마이크로어레이(TMA) 코어를 자동형광 강도 이미지와 형광 수명(FLIM) 이미지 두 가지 모달리티로 촬영하였다. 강도 이미지는 단일 채널 그레이스케일로 전처리하고, FLIM 이미지는 4채널 RGB 형태로 변환해 딥러닝 모델에 입력하였다. 패치 단위(224×224)로 자른 뒤, ResNet‑50, EfficientNet 등 여러 CNN 아키텍처를 비교 학습했으며, 특히 FLIM 기반 모델이 미세한 대사·미토콘드리아 차이를 포착해 분류 성능을 향상시켰다. 이진 분류(암 vs 비암, AC vs SqCC+OS 등)에서 AUC가 0.99 이상, 다중 클래스(정상, AC, SqCC, OS)에서도 0.981 이상을 기록했다.

가상 IHC 스테인 생성에는 기존 H&E‑to‑IHC 변환에 사용된 GAN을 변형해, 자동형광 이미지로부터 TTF‑1(선암 마커)과 p40(편평세포암 마커) 이미지를 합성하였다. 생성된 가상 스테인은 3명의 숙련된 흉부 병리학자에게 블라인드 평가를 받았으며, 실제 IHC와 거의 구분이 어려울 정도의 품질을 보였다. 정량적 평가는 SSIM·PSNR 등 이미지 품질 지표와 병리학적 일치율을 포함했으며, 모두 높은 점수를 얻었다.

시각화 측면에서 Grad‑CAM++와 t‑SNE를 활용해 모델이 어떤 특징에 주목했는지 분석하였다. FLIM 기반 모델은 종양 세포와 주변 미세환경(예: 스트로마, 염증세포)의 수명 차이를 강조했으며, 이는 대사 재프로그래밍(AC는 글리콜리시스, SqCC는 산화인산화)과 연관된 것으로 해석된다. 반면 강도 기반 모델은 주로 핵·세포 형태학에 의존했다. 이러한 차이는 두 모달리티가 상보적인 정보를 제공한다는 점을 시사한다.

전체적으로 이 연구는 (1) 라벨프리 자동형광 영상만으로도 기존 H&E·IHC 수준의 진단 정보를 얻을 수 있음을, (2) FLIM이 조직 대사의 미세한 변화를 포착해 아형 구분에 유리함을, (3) GAN 기반 가상 IHC가 실제 병리학적 판단을 대체하거나 보조할 수 있음을 입증한다. 향후 임상 현장에 적용하기 위해서는 실시간 FLIM 장비의 비용 절감, 대규모 다기관 검증, 그리고 규제 승인 절차가 필요하지만, 현재 결과만으로도 조직 소모를 최소화하고 진단 속도를 크게 단축시킬 잠재력이 크다.