[논문 리뷰] A review of machine learning approaches, challenges and prospects for computational tumor pathology

Liangrui Pan, Zhichao Feng외 1명|arXiv (Cornell University)|2022. 05. 31.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 종양병리학의 계산적 접근에서 기계학습 기법을 검토하며, 전체 슬라이드 이미지 분석, 다중오미크스 통합, 임상 인포매틱스에 중점을 둡니다. 데이터 처리, 하드웨어, 모델 배포 분야의 기술적 및 임상적 과제를 평가하면서, 인공지능 기반 정밀 옹종학의 미래 가능성을 제시합니다.

ABSTRACT

Computational pathology is part of precision oncology medicine. The integration of high-throughput data including genomics, transcriptomics, proteomics, metabolomics, pathomics, and radiomics into clinical practice improves cancer treatment plans, treatment cycles, and cure rates, and helps doctors open up innovative approaches to patient prognosis. In the past decade, rapid advances in artificial intelligence, chip design and manufacturing, and mobile computing have facilitated research in computational pathology and have the potential to provide better-integrated solutions for whole-slide images, multi-omics data, and clinical informatics. However, tumor computational pathology now brings some challenges to the application of tumour screening, diagnosis and prognosis in terms of data integration, hardware processing, network sharing bandwidth and machine learning technology. This review investigates image preprocessing methods in computational pathology from a pathological and technical perspective, machine learning-based methods, and applications of computational pathology in breast, colon, prostate, lung, and various tumour disease scenarios. Finally, the challenges and prospects of machine learning in computational pathology applications are discussed.

연구 동기 및 목표

• 종양병리학의 계산적 접근에 적용된 기계학습 기법을 종합하여 암 진단 및 예후에 활용하는 것을 목적으로 합니다.
• 전체 슬라이드 이미지, 다중오미크스 데이터, 임상 인포매틱스를 통합하는 데 있어 핵심적인 기술적 및 임상적 과제를 특정하는 것입니다.
• 인공지능이 옹종학에서 치료 계획 수립, 생존 예측, 진단 정확도 향상에 기여하는 역할을 평가하는 것입니다.
• 임상 환경에서의 데이터 공유 제한, 모델 일반화 가능성 부족, 하드웨어 제약 등의 과제를 논의하는 것입니다.
• 병리학 분야에서 확장 가능하고 해석 가능하며 임상적으로 구현 가능한 인공지능 시스템을 위한 향후 연구 방향을 제시하는 것입니다.

제안 방법

• 전체 슬라이드 이미지 분석에 중점을 둔 계산 병리학에서의 기계학습 방법에 대한 체계적 검토, 특히 이미지 사전처리 및 딥러닝 아키텍처에 초점합니다.
• 패치 기반 및 타일 기반 컨볼루션 신경망을 포함한 전체 슬라이드 이미지(WSI) 처리 파이프라인 분석.
• 유전체학, 영상의학, 병리학, 임상 데이터를 통합하는 다중모달 데이터 통합 기법 검토.
• 히스토병리학에서 Grad-CAM 및 주의 메커니즘과 같은 모델의 해석 가능성 및 설명 가능성 방법 평가.
• 기관 간 안전한 데이터 공유를 위한 피어 투 피어 학습 및 개인정보 보호 기반 인공지능 논의.
• 임상 수준의 병리학 워크스테이션에 모델를 구현하는 데 있어 하드웨어 및 소프트웨어 제약 평가.

실험 결과

연구 질문

• RQ1 전체 슬라이드 이미지 분석에서 종양 탐지 및 분류에 사용되는 주요 기계학습 아키텍처는 무엇인가요?
• RQ2 현재 접근 방식은 유전체학, 단백질체학 등 다중오미크스 데이터를 조직병리학적 이미지와 어떻게 통합하여 예후 예측 정확도를 향상시키나요?
• RQ3 기계학습 모델을 정규 병리학 워크플로우에 도입하는 데 있어 주요 기술적 및 임상적 장벽은 무엇인가요?
• RQ4 실제 임상 적용을 위해 모델의 해석 가능성과 일반화 능력을 어떻게 향상시킬 수 있나요?
• RQ5 향후 트렌드 및 기술(예: 피어 투 피어 학습, 신경모방 컴퓨팅)은 현재 계산 병리학의 한계를 극복하는 데 어떻게 기여할 수 있나요?

주요 결과

• 특히 CNN 기반 아키텍처를 사용한 딥러닝 모델은 전체 슬라이드 이미지에서 종양 유형을 분류하는 데 높은 정확도를 보이며, 일부 모델은 기준 데이터셋에서 AUC > 0.95를 달성했습니다.
• 히스토병리학적 이미지와 다중오미크스 데이터를 통합하면 단일 모odal 접근 방식보다 생존 예측 정확도가 향상됩니다.
• 데이터 이질성, 제한된 레이블 품질, 표준화 부족은 기관 간 모델 일반화에 있어 여전히 주요 과제입니다.
• 하드웨어 제약과 높은 계산 비용은 복잡한 모델을 정규 임상 환경에 구현하는 데 장애가 됩니다.
• 피어 투 피어 학습과 개인정보 보호 기반 인공지능은 민감한 환자 데이터를 공유하지 않고도 협업 기반 모델 학습을 가능하게 하여 잠재력을 보입니다.
• Grad-CAM과 같은 설명 가능성 기법은 병리학자가 모델 예측을 이해하는 데 도움이 되어 신뢰도를 높이고 임상적 도입 가능성을 증가시킵니다.