[논문 리뷰] Prediction of Kidney Function from Biopsy Images Using Convolutional Neural Networks

David Ledbetter, Van Long Ho외 1명|arXiv (Cornell University)|2017. 02. 06.

AI in cancer detection참고 문헌 11인용 수 12

한 줄 요약

이 연구는 만성 신장병 환자의 고해상도 디지털 신장 생검 영상에서 12개월 후 예측 혈액형성율(eGFR)을 예측하기 위해 합성곱 신경망(CNN)을 개발한다. 트리코롬 및 PAS-D 염색 슬라이드에서 반자동으로 영역을 추출한 신장 피질을 바탕으로 한 모델은 평균 절대 오차(MAE)가 17.55 mL/min로 나타났으며, 기준선 eGFR 전파 방법(30.5 mL/min)보다 유의하게 뛰어나, 신기능 저하를 조기에 예측하기 위한 딥러닝의 가능성을 입증한다.

ABSTRACT

A Convolutional Neural Network was used to predict kidney function in patients with chronic kidney disease from high-resolution digital pathology scans of their kidney biopsies. Kidney biopsies were taken from participants of the NEPTUNE study, a longitudinal cohort study whose goal is to set up infrastructure for observing the evolution of 3 forms of idiopathic nephrotic syndrome, including developing predictors for progression of kidney disease. The knowledge of future kidney function is desirable as it can identify high-risk patients and influence treatment decisions, reducing the likelihood of irreversible kidney decline.

연구 동기 및 목표

• 디지털 병리 영상에서의 신장 생검 영상을 기반으로 향후 신기능을 예측하는 딥러닝 모델을 개발한다.
• 임상 병리학에서 고해상도 전체 슬라이드 영상, 제한된 데이터, 변동하는 염색 프로토콜 등의 과제를 극복한다.
• 신장 피질 영역의 시각적 특징을 활용하여 진행성 신장질환 위험이 있는 환자를 조기에 식별함으로써 개선한다.
• 생검 형태학적 특징만을 사용하거나, 가능하면 초기 eGFR도 함께 사용하여 기준선 이후 12개월 후 eGFR 예측 성능을 평가한다.
• 만성 신장병에서 임상적 의사결정 지원을 위한 자동화되고 데이터 기반의 신장 생검 분석 잠재력을 탐색한다.

제안 방법

• 제한된 환자 데이터(n=80)로 인해 환자 수준의 5중 교차검증을 사용하여 모델 평가의 신뢰성을 확보한다.
• Leica ImageScope를 사용하여 수작업으로 영역을 추출하여 신장 피질과 말초질환 조직을 포함하고, 피질 외부 조직은 제외한다.
• 기본 하이퍼파rameter를 사용한 RMSProp 옵티마이저로 CNN을 훈련시키며, ρ=0.9, ε=1e-6, 초기 학습률 0.0001을 설정하고, 에포크 단위로 선형 감소를 적용한다.
• 학습 안정성 향상과 수렴성 향상을 위해 가중치 초기화에 글로로트 균일(Xavier) 초기화를 사용한다.
• 20미크론 해상도의 고해상도 영상(150,000 × 50,000 × 3 픽셀)을 사용하여 자르기 및 데이터 증강을 통해 처리하고, 모델을 훈련시킨다.
• 진짜 eGFR 대 예측 eGFR의 산점도와 1:1 선에 대한 최소제곱 회귀의 잔차를 사용하여 성능을 평가하며, 주요 지표로 평균 절대 오차(MAE)를 사용한다.

실험 결과

연구 질문

• RQ1 합성곱 신경망은 고해상도 디지털 신장 생검 영상에서 향후 eGFR를 예측할 수 있는 특징을 학습할 수 있는가?
• RQ2 생검 영상 특징 외에 기초 eGFR를 함께 포함하면 영상 전용 모델 대비 예측 정확도가 향상되는가?
• RQ3 낮은 데이터 환경에서 단순 eGFR 전파 방법을 기준선으로 삼을 때 모델 성능은 어떻게 비교되는가?
• RQ4 전체 슬라이드 영상에서 자동 또는 반자동 ROI 추출이 신경병리학 예측에 얼마나 기여하는가?
• RQ5 만성 신장병에서 향후 신기능 저하와 관련된 신장 피질 형태학적 특징은 무엇인가?

주요 결과

• CNN은 기준선 이후 12개월 후 eGFR 예측에서 평균 절대 오차(MAE)가 17.55 mL/min로 나타났으며, 기준선 eGFR 전파 방법(30.5 mL/min)보다 유의하게 뛰어나다.
• 최종 밀도층에 영상 특징과 초기 eGFR를 모두 포함한 모델은 영상 전용 버전보다 성능 향상을 보였으며, 검증 산점도에서 이를 확인할 수 있었다.
• 5중 환자 수준의 교차검증을 통해 80명의 환자 데이터로도 충분한 추적 데이터를 확보한 작은 데이터셋에서도 신뢰할 수 있는 평가가 가능했다.
• 결과는 전통적인 수작업 측정 방식으로는 쉽게 정량화할 수 없는 임상적으로 유의미한 예측 가능한 형태학적 특징을 딥러닝이 추출할 수 있음을 보여준다.
• 이 연구는 고해상도 디지털 병리 영상 데이터를 활용해 장기적인 신기능 예측이 가능하며, 이는 조기 위험 분류를 가능하게 한다는 개념 증명을 수립한다.
• 향후 연구는 다른 CNN 아키텍처 탐색, 하이퍼파rameter 튜닝, 그리고 학습된 특징 내 생물학적으로 의미 있는 패턴을 밝혀내기 위한 해석 가능성 기법 탐색을 포함한다.