[논문 리뷰] [TCGA] Comparative analysis of high‑and low‑level deep learning approaches in microsatellite instability prediction

0. Reference

https://www.nature.com/articles/s41598-022-16283-3

0.1. Data-set(대장암 및 위암 환자의 조직학적 이미지의 패치 411,890개)

https://zenodo.org/records/2530835

Histological images for MSI vs. MSS classification in gastrointestinal cancer, FFPE samples

0.2. Source Code

https://github.com/jeonghyukpark/msi_highlow.

1. Introduction

- 딥러닝은 다양한 의학 정보를 예측하고 추출할 수 있는 능력을 입증해왔다고 한다.

- 일반적으로 딥러닝은 데이터 기반 방식으로 이미지에서 직접 target을 예측하도록 훈련되며, 그 성능은 임상 적용이 가능할 정도로 높다.

- 그러나 end-to-end방식이기에 예측하는 과정을 분석하기 어려워 black-box model이라고 불린다.

cf) ent-to-end : 원본데이터를 받아 알아서 최종 목표까지 예측하는 방식

 

- 이러한 딥러닝의 해석 가능성 부족 문제를 극복하기 위해,

- 최근에 딥러닝 모델을 이용하여 형태학적(morphological)특징을 먼저 예측한 후,

- 이를 기반으로 목표를 예측하는 새로운 접근법이 연구되고 있다고 한다.

 

- 해당 연구에서

- i) 조직 분할 모델(암 조직, 암 관련 기질, 괴사 조직의 세가지 분류),

- ii) 세포 탐지 모델(림프구, 형질세포, 섬유아세포,대식세포, 암세포의 다섯 가지 분류)

- 을 훈련하여 H&E(Hematoxylin and Eosin) 이미지에서 조직과 세포를 예측했다고한다.

cf) H&E : 의료 및 병리학에서 가장 널리 사용되는 조직 염색 방법

- 이후, 조직 및 세포 정보를 조합하여 총 607개의 image-based features을 정의한 후,

- 이를 이용해 예측한 결과, 해당 모델의 성능이 end-to-end와 유사한 수준이라고 한다.

 

- 해당 연구는 새로운 imaging biomarkers를 발굴하는 데 기여할 수 있어, 임상적으로 중요한 의미를 가진다고 한다.

cf) imaging biomarker는 특정 데이터에서의 특징이 질병과 관련이 있는 경우, 그 특징을 의미한다.

 

- 일반적으로, high-level approach model이 low-level approach model보다 우수한 것으로 알려져 있다.

- 해당 연구에서의 궁금증은 다음과 같다.

i) 동일한 예측 환경에서 두 모댈의 성능 차이는 어느 정도인가?

ii) 두 모델이 추출하는 형태학적 특징(morphological features)는 유사한가?

 

- 현재 biomarkers 연구에서 특정 모델을 선택할 과학적 근거가 부족하다고 한다.

- 이러한 두 질문에 답을 찾게 된다면, 병리학 연구에서 더 적합한 방법을 선택하는데 도움이 될 것이다.

- 해당 답을 찾기위해 마이크로 새틀라이트 불안정성 (MSI,Microsatellite Instability)

- 예측하는 문제를 연구 대상으로 선정하였다고 한다.

 

1.1. MSI?

- Microsatellite(MS)는 DNA에서 1~6개 염기가 반복되는 서열로,

- DNA 복제 과정에서 삽입또는 결실이 발생할 수 있다.

- 정상적으론 MMR(Mismatch Repair)이 이러한 오류를 수정하지만,

- MMR 유전자 결손이 있는 종양에서는 MSI가 발생한다고 한다.

- 해당 연구에서, MSI를 조직학적 특징 기반 low-level approch model로도 예측할 수 있는지 검증하고자 하였다.

 

1.2. 연구 방법

- 본 연구에서 TCGA 기반의 MSI 데이터셋을 사용하여 대장암(CRC) 및 위암(STAD) 환자 데이터를 분석하였다고 한다.

 

i) High-level approach

-- EifficientNet을 기반으로 end-to-end 모델을 구축하였다고 한다.

ii) low-level approach

-- 세 가지 딥러닝 기반 feature 추출 모델을 사용하여 조직 및 세포 정보를 분석하였다고 한다.

 

--- 9개 조직 분류 모델 (EfficientNet)

--- 6개 세포핵 검출 모델 (Hover-Net)

--- 2개 분비샘 검출 모델 (MaskRCNN)

 

- 추출된 특징을 LightGBM에 입력하여 MSI 상태를 분류하였다고 한다.

 

 

2. Result

2.1. Deep Learning models for high/low-level approaches

i) High-level approaches(MSI 분류 모델)

- Hold-out cross validation대신 5-fold cross-validation을 적용하였다고 한다.

- 평가 지표로 AUROC를 사용하였다고 한다.

- Efficient Net 기반 모델이 가장 우수한 성능을 보였다고 하고,

- 대장암(CRC) text set에서 AUROC = 0.8065를 기록하였다고 한다.

 

ii) Low-level approaches(형태학적 특징 추출을 위한 딥러닝 모델)

"""

1. 조직 분류 모델(Efficient net)

- 데이터 셋: 9개 조직 유형을 포함한 대장 조직 분류 데이터셋 사용

--> ADI,BACK,DEB,LYM,MUC,MUS,NORM,STR,TUM

 

2. 세포핵 검출 모델(HoVer-Net)

- PanNuke Dataset으로 pre-training된 model을 사용하였다고 한다.

- 6개의 세포핵 유형을 분류한다. (No-label, Neoplastic, Inflammatory, Connective,Necrosis,Non-neoplastic)

 

3. 분비샘 검출 모델(MaskRCNN)

- GlaS 챌린지 데이터셋을 사용하여 학습하였다고 한다.

"""

 

2.2. Image feature characteristics of the datasets.

- 특정 조직(Tissue) 패치의 형태학적 특징이 예상대로 서로 상관관계를 보인다고 한다.

- 예측된 세포 수 및 Gland 수를 분석하여, CRC의 조직 유형별 특징을 비교하였다고 한다.

- TUM 패치에서는 신생 세포수가 높았으며, NORM 패치에서는 양섬샘의 개수가 많았다고한다.

- 전반적으로, 신생 세포와 악성 샘의 수가 많은 것은 MSI 데이터셋 자체가 종양 조직에서 샘플링 되었기 때문일 가능성이 높다고 한다.

 

- 다음으로 MSS(Microsatellite Stable)과 MSI(Microsatellite Instable)의 이미지 특징을 분석하였다고 한다.

 

- MSS 그룹에서는 NORM, STR, TUM, Connective, Neoplastic, Malignant glands의 Z-score가 높게 나타났다고 한다.

- MSI 그룹에서는 DEB, LYM, Necrosis의 Z-score가 높게 나타났다고 한다.

- 이러한 결과가 임상적으로 보고된 "MSI 종양의 특징인 높은 TIL 침윤 및 분화 불량"과 일치하는 결과라고 한다.

--> 임상적으로 보고 된 것과 end-to-end로 학습한 결과가 일치한다고 생각하면 된다.

 

2.3. Image features related to microsatellite instability extracted by high/low-level approaches

- MSI 예측에서, High-level approache가 low-level approache보다 높은 성능을 보인다고한다.

- High-level,low-level 모두 MSI 예측에서 DEB,LYM,Necrosis가 중요한 특징으로 나타났다고 한다.

- STAD(위암) 데이터를 추가하여 성능 변화를 평가하였지만,

- High-level, low-level 모두 성능 향상이 일어나지 않았다고 한다.

--> STAD와 CRC가 MSI관련 이미지 특징이 다르기 때문일 가능성이 높다고 한다.

 

2.4. Qualitative review of select cases

- LYM 패치 내 괴사성 핵의 개수를 추가 feature로 사용하여 LGBM모델을 재학습하였더니,

- AUROC가 기존 0.6749 -> 0.6785로 소폭 향상되었다고 한다.

- 즉, 림프구 수가 MSI 예측에서 중요한 역할을 할 가능성을 시사한다고 볼 수 있다.

 

3. Discussion

3.1. High-level Approach vs Low-level Approach

- 일반적으로 high-level Approach model이 low-level approach model보다 높은 성능을 보인다고 한다.

- 하지만, feature engineering이 충분히 이루어지면, low-level approach도 high-level approach에 근사해진다고 한다.

- 그러나, 이러한 복잡한 특징을 정의하고 추출하는 것이 어렵기 때문에 low-level approach의 단점으로 작용된다.

 

3.2. High-level Approach를 위한 개선 방향

- MSI와 관련된 형태학적 특징을 더욱 정확히 식별하기 위해 WSL(Seakly Supervised Learning) 또는 MIL(Multiple instance learning)기법 적용이 필요하다고 한다.

 

3.3. 연구의 한계점

- 종양 영역에서 샘플링된 패치만 사용하였다고 한다.

--> 비종양 영역에서 중요한 특징이 존재할 가능성을 배제 못한다.

 

- 특정 배율(magnification)에서만 패치를 추출 하였다고 한다.

--> 더 넓은 영역에서의 형태학적 특징은 고려되지 않았다.

 

- 이질적인(hetergeneous) 세포 및 샘 구조 검출이 어렵다고 한다.

- 특히, 악성 샘(malignant glands)는 비정형적인 형태를 보이므로 개별 샘을 정확히 구별하기 어려웠다고 한다.

 

4. Materials and methods

4.1. Dataset

- 본 연구에선 세 가지 공개 데이터셋을 사용하였다고 한다.

i) MSI dataset

ii) Tissue dataset

iii) GlaS dataset

 

4.2. High-level MSI classification

- Optimizer는 Adam을 사용하였고, L2-Regularization을 사용하였다고 한다.

- learning rate : (1e-3,1e-6)

- MSS 패치와 MSI 패치의 개수를 동일하게 조정하여 학습

- Loss Function : Binary Corss-Entropy Loss

- Augmentation : 50% 확률로 Horizontal 및 vertical  적용, Affine 변환 적용

- EfficieintNet을 선택한 이유는 ResNet18,SguffleNet,ResNext50,EfficientNet중 가장 성능이 좋았다고 한다.