[논문 리뷰] A New Graph Node Classification Benchmark: Learning Structure from Histology Cell Graphs

Claudia Vanea, Jonathan A. Campbell외 9명|arXiv (Cornell University)|2022. 11. 11.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 전체 슬라이드 영상(WSI)의 태반 조직학에서 유래한 그래프 노드 분류 벤치마크인 Placenta를 소개한다. 이 벤치마크는 230만 개 이상의 노드와 799,745개의 레이블링된 세포를 포함하며, 9개의 불균형한 조직 구조를 수반한다. 본 연구는 이 대규모, 이질적, 완전하지 않은 세포 그래프 데이터에서 7종의 확장 가능한 GNN 모델을 평가하여, 모델 성능이 수용 영역 크기, 클래스 불균형, 특징 표현에 매우 민감함을 입증함으로써, 생물의학적 그래프 학습 분야에서 향후 GNN 개발에 있어 핵심 과제를 부각시킨다.

ABSTRACT

We introduce a new benchmark dataset, Placenta, for node classification in an underexplored domain: predicting microanatomical tissue structures from cell graphs in placenta histology whole slide images. This problem is uniquely challenging for graph learning for a few reasons. Cell graphs are large (>1 million nodes per image), node features are varied (64-dimensions of 11 types of cells), class labels are imbalanced (9 classes ranging from 0.21% of the data to 40.0%), and cellular communities cluster into heterogeneously distributed tissues of widely varying sizes (from 11 nodes to 44,671 nodes for a single structure). Here, we release a dataset consisting of two cell graphs from two placenta histology images totalling 2,395,747 nodes, 799,745 of which have ground truth labels. We present inductive benchmark results for 7 scalable models and show how the unique qualities of cell graphs can help drive the development of novel graph neural network architectures.

연구 동기 및 목표

• 생물의학 영상 분야에서 대규모, 현실적이고 복잡한 그래프 벤치마크의 부족을 해결하기 위해, 특히 전체 슬라이드 영상(WSI) 기반의 조직학 데이터를 대상으로 한다.
• 실제 조직 미세해부에서 유래하는 구조적 복잡성과 데이터 불완전성을 반영한 확장 가능한 노드 분류 벤치마크를 개발한다.
• 극심한 클래스 불균형, 이질적 노드 클러스터링, 대규모 그래프 구조를 지닌 도메인에서 최신 GNN을 평가한다.
• 조직학적 병리학에서 모델 일반화를 저해하는 그래프 학습의 핵심 과제들 — 수용 영역 크기, 특징 표현, 클래스 불균형 — 를 규명한다.
• 임상 및 생물학적 그래프 학습에 적용 가능한 강력하고 확장 가능하며 해석 가능한 GNN 아키텍처 개발을 위한 기반을 제공한다.

제안 방법

• 공간적 근접성(k-NN)과 형태학적 유사성에 기반한 간선을 사용하여, 두 개의 태반 전체 슬라이드 영상(WSI)에서 세포 그래프를 구축한다. 노드는 개별 세포를 나타낸다.
• 11종의 다른 세포 유형에서 유도된 64차원 노드 특징을 사용하며, 클래스 레이블은 태반 조직의 9개의 미세해부적 조직 구조를 나타낸다.
• 서브그래프 샘플링과 조기 정지 기법을 사용하여, GraphSAGE, ClusterGCN, SIGN, ShaDow, GAT 변종 등 유도형 그래프 신경망(GNN)을 훈련한다.
• 서브그래프 크기와 층 깊이를 조절하여 수용 영역 크기를 다양화함으로써, 국소적 대비 전역적 맥락에 대한 모델 민감도를 평가하기 위해 다스케일 평가 전략을 적용한다.
• 정확도, 상위-2 정확도, ROC AUC, AUC-PR을 사용하여 모델 성능을 평가하며, 클래스 불균형, 특징 인코딩, 모델 깊이에 대한 세부적인 추론 분석을 실시한다.
• RTX 8000 하드웨어를 사용한 비공개 GPU 클러스터에서 실험을 수행하였으며, 이 과정에서 배출된 CO2는 22.46 kgCO2 eq로 추정되었다.

실험 결과

연구 질문

• RQ1 기존의 확장 가능한 GNN 아키텍처는 조직학 WSI에서 유도된 대규모, 극도로 불균형적이며 공간적으로 이질적인 세포 그래프에서 어떻게 성능을 발휘하는가?
• RQ2 동일한 그래프 내에서 작은 조직 구조와 큰 조직 구조를 식별하는 데 있어, 수용 영역 크기가 모델 성능에 얼마나 영향을 미치는가?
• RQ3 클래스 불균형은 희귀한 태반 조직 구조를 분류하는 데 있어 GNN의 일반화 능력과 신뢰성에 어떤 영향을 미치는가?
• RQ4 64차원 벡터와 one-hot 인코딩 간의 다른 노드 특징 표현 방식이 모델 정확도와 강건성에 어떤 영향을 미치는가?
• RQ5 이러한 거대한 그래프에서 GNN의 확장성에 제약을 주는 주요 아키텍처 및 하이퍼파라미터 제약(예: 배치 크기, 층 깊이)은 무엇인가?

주요 결과

• ClusterGCN는 800개의 서브그래프 크기와 32층을 사용할 때 최고의 정확도(0.647)를 기록했지만, 수용 영역이 축소되자 성능이 크게 하락하여 국소 맥락에 매우 민감함을 보였다.
• 모델들은 강한 동형성(0.9868–0.9984)을 보였지만, 소수의 클래스에서는 어려움을 겪었으며, 데이터 비율이 0.21%에 불과한 클래스의 AUC-PR 값은 0.5 이하로 떨어졌다.
• One-hot 인코딩 특징은 정확도를 0.019 포인트 낮추었으며(0.628 대비 0.647), AUC-PR 값도 낮아져(0.833 대비 0.893) 학습된 64차원 특징이 원시적인 범주형 인코딩보다 더 정보가 풍부함을 시사한다.
• ClusterGCN에서 512개의 은닉 유닛은 과적합을 유도했고, 128개의 은닉 유닛은 과소적합을 유도하여 이 데이터셋에 최적의 은닉 차원 범위가 존재함을 보여주었다.
• 수용 영역 크기를 줄이면 큰 조직 구조를 잘못 분류하는 현상(예: SVilli가 Chorion으로 오분류됨)이 발생하여, 공간적으로 분산된 클러스터를 처리하기 위해 충분한 맥락 정보가 필요함을 강조한다.
• 이 데이터셋의 극심한 클래스 불균형과 구조적 복잡성으로 인해 현재의 GNN은 최적의 성능을 내지 못하며, 불균형, 확장성, 데이터 불완전성 문제를 동시에 해결할 수 있는 새로운 아키텍처 개발의 필요성을 부각시킨다.