[논문 리뷰] HistomicsML2.0: Fast interactive machine learning for whole slide imaging data

Sanghoon Lee, Mohamed Amgad외 7명|arXiv (Cornell University)|2020. 01. 30.

AI in cancer detection참고 문헌 9인용 수 11

한 줄 요약

HistomicsML2.0는 전자현미경 영상 분석을 위한 빠르고 상호작용 가능한 기계학습 플랫폼을 도입하여, 비전문가 연구자들이 코드를 작성하지 않고도 예제 학습 방식을 통해 합성곱 신경망 분류기를 훈련시킬 수 있도록 한다. 이 시스템은 웹 기반 인터페이스, 컨테이너 기반 배포 방식을 특징으로 하며, 알고리즘 전문 지식이 거의 필요 없이 조직 병리 영상에서 빠르게 형질 패턴을 탐지할 수 있다.

ABSTRACT

Extracting quantitative phenotypic information from whole-slide images presents significant challenges for investigators who are not experienced in developing image analysis algorithms. We present new software that enables rapid learn-by-example training of machine learning classifiers for detection of histologic patterns in whole-slide imaging datasets. HistomicsML2.0 uses convolutional networks to be readily adaptable to a variety of applications, provides a web-based user interface, and is available as a software container to simplify deployment.

연구 동기 및 목표

• 기계학습 전문 지식이 없는 생물학자 및 병리학자들이 영상 분석 도구에 접근할 수 있는 데에 제한이 있는 문제를 해결한다.
• 전체 슬라이드 영상에서 빠르고 상호작용적으로 모델을 훈련시킬 수 있도록 하여 정량적 병리학 분석의 진입 장벽을 낮춘다.
• 맞춤형 알고리즘 개발이 필요 없이 전체 슬라이드 영상 데이터셋에서 조직학적 패턴을 탐지하기 위한 확장 가능한 사용자 우수 솔루션을 제공한다.
• 소프트웨어 컨테이너화와 표준화된 웹 인터페이스를 통해 배포 및 재현 가능성을 향상시킨다.
• 다양한 병리학적 적용 분야를 지원하기 위해 합성곱 신경망을 다양한 조직 형질 및 영상 모드에 적응 가능하도록 한다.

제안 방법

• 전체 슬라이드 영상에서 특징 추출 및 분류를 위해 핵심 학습 아키텍처로 합성곱 신경망(CNN)을 사용한다.
• 사용자가 관심 영역을 레이블링하여 모델을 상호작용적으로 훈련시키는 예제 학습 파라다임을 적용하며, 코드 작성 없이도 가능하다.
• 레이블링, 모델 훈련, 결과 시각화를 위한 웹 기반 그래픽 사용자 인터페이스(GUI)를 제공하여 사용성 향상.
• 다양한 환경에서 일관되고 재현 가능하며 쉽게 배포할 수 있도록 소프트웨어 컨테이너(Docker 등) 기반으로 시스템을 배포.
• 대규모 병리 영상 처리를 위해 효율적인 패치 기반 처리 방식을 통해 전체 슬라이드 영상 데이터와 통합.
• 훈련 중 실시간 피드백을 제공하여 사용자가 적극적인 레이블링을 통해 반복적으로 모델 성능을 향상시킬 수 있도록 한다.

실험 결과

연구 질문

• RQ1 비전문가 사용자가 코드를 작성하거나 모델 아키텍처를 이해하지 못한 채 조직학적 패턴 탐지용 딥러닝 모델을 훈련시킬 수 있는가?
• RQ2 웹 기반 상호작용 시스템이 전체 슬라이드 영상에 대한 맞춤형 분류기 개발을 얼마나 효과적으로 가속화하는가?
• RQ3 컨테이너 기반 배포 방식이 병리학 분야의 기계학습 도구의 재현 가능성과 접근성에 얼마나 기여하는가?
• RQ4 실시간 상호작용 환경에서 사용자가 레이블링한 훈련 데이터가 증가함에 따라 모델 성능이 어떻게 변화하는가?
• RQ5 최소한의 설정으로 다양한 병리학적 응용 분야에 시스템을 적응시킬 수 있는가?

주요 결과

• HistomicsML2.0는 사용자 레이블링 데이터를 최소한으로 사용하여 전체 슬라이드 영상에 대한 딥러닝 모델을 빠르고 상호작용적으로 훈련시킬 수 있다.
• 웹 기반 인터페이스 덕분에 비전문가 사용자가 프로그래밍이나 딥러닝 전문 지식 없이도 실시간으로 모델을 훈련하고 평가할 수 있다.
• 컨테이너 기반 배포로 인해 다양한 컴퓨팅 환경에서 일관된 성능과 재현 가능성을 확보할 수 있다.
• CNN 기반 아키텍처 덕분에 다양한 조직학적 패턴과 영상 모드에 뛰어난 적응성을 보여준다.
• 병리학 연구를 위한 맞춤형 영상 분석 파이프라인 개발에 소요되는 시간과 기술적 장벽을 크게 줄였다.
• 활동적 학습과 반복적 레이블링 통합으로 최소한의 사용자 입력으로도 모델 정확도를 향상시켜 모델 개발의 효율성을 높였다.