[논문 리뷰] Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data

Andrei Dmitrenko, Mauro M. Masiero외 1명|arXiv (Cornell University)|2022. 03. 07.

Computational Drug Discovery Methods인용 수 7

한 줄 요약

이 논문은 100만 장의 암 세포 영상에서 훈련한 자기지도 학습 기반의 컨volution 오토에인코더(ConvAE)를 제안하여 시간적 및 형태학적 약물 효과 분석을 위한 분리된 표현을 학습한다. 거리 기반 클러스터링과 적대적/정규화 학습을 통해 약물 분류 정확도를 8% 향상시키며, 해석 가능한 특징 중요도 맵을 생성하여 약물 반응의 형태학적 결정 요인을 밝혀낸다.

ABSTRACT

In this work, we propose two novel methodologies to study temporal and morphological phenotypic effects caused by different experimental conditions using imaging data. As a proof of concept, we apply them to analyze drug effects in 2D cancer cell cultures. We train a convolutional autoencoder on 1M images dataset with random augmentations and multi-crops to use as feature extractor. We systematically compare it to the pretrained state-of-the-art models. We further use the feature extractor in two ways. First, we apply distance-based analysis and dynamic time warping to cluster temporal patterns of 31 drugs. We identify clusters allowing annotation of drugs as having cytotoxic, cytostatic, mixed or no effect. Second, we implement an adversarial/regularized learning setup to improve classification of 31 drugs and visualize image regions that contribute to the improvement. We increase top-3 classification accuracy by 8% on average and mine examples of morphological feature importance maps. We provide the feature extractor and the weights to foster transfer learning applications in biology. We also discuss utility of other pretrained models and applicability of our methods to other types of biomedical data.

연구 동기 및 목표

• 시간적 및 형태학적 표현 반응을 분석하기 위한 자기지도 학습 기반 표현 학습 프레임워크를 개발한다.
• 학습된 이미지 특징과 설명 가능한 인공지능 기법을 활용해 암세포 항암제를 해석 가능한 방식으로 분류한다.
• 후속 응용 분야에서의 생물의학 영상 분석을 위해 이식 가능한 사전 훈련된 모델을 제공한다.
• 대규모 약물 반응 데이터셋에서 자기지도 학습 모델의 성능을 최신 기술 기반 사전 훈련 모델과 비교한다.

제안 방법

• 100만 장의 단계적 대비 영상(21종의 암 세포 라인, 31종의 약물, 5가지 농도)을 대상으로 랜덤 증강과 다중 크롭 훈련을 사용해 경량 컨볼루션 오토에인코더(ConvAE)를 훈련한다.
• 훈련된 ConvAE를 특징 추출기로 활용해 후속 분석을 위한 이미지 표현을 계산한다.
• 시간적 약물 반응 패턴(예: 세포독성, 세포정지, 혼합, 영향 없음)을 식별하기 위해 거리 기반 클러스터링과 동적 시간 왜곡(DTW)을 적용한다.
• 다중 클래스 약물 분류 성능 향상을 위해 적대적/정규화 학습 구조(lens 모델)를 구현하며, 재구성된 이미지와 렌즈 처리된 이미지 간의 차이에서 유도된 특징 중요도 맵을 활용한다.
• 상위 3개 정확도를 사용해 모델 성능을 평가하고, 분류 결정을 이끄는 형태학적 특징을 시각화한다.
• 생물의학 영상 분야에서의 이식 학습 지원을 위해 GitHub를 통해 사전 훈련된 모델과 추론 API를 제공한다.

실험 결과

연구 질문

• RQ1 대규모 비라벨 영상 데이터에서 자기지도 학습 기반 표현 학습이 생물학적으로 의미 있는 시간적 및 형태학적 약물 반응 패턴을 포착할 수 있는가?
• RQ2 자기지도 학습 기반 ConvAE의 성능은 최신 기술 기반 사전 훈련 모델(예: SwAV로 사전 훈련된 ResNet-50, DINO로 사전 훈련된 ViT)과 비교해 어떻게 되는가?
• RQ3 적대적/정규화 학습이 학습된 특징을 활용해 다중 클래스 약물 분류 정확도를 향상시킬 수 있으며, 어떤 형태학적 특징이 성능 향상에 기여하는가?
• RQ4 학습된 표현의 거리 기반 분석이 시간에 따라 다른 약물 반응 표현형을 얼마나 정확히 구분할 수 있는가?

주요 결과

• 자기지도 학습 기반 ConvAE는 표준 미세조정 대비 적대적/정규화 학습을 사용할 경우 31종의 약물에 대해 평균 8% 향상된 상위 3개 정확도를 달성했다.
• 학습된 표현의 거리 기반 클러스터링은 세포독성, 세포정지, 혼합 효과 등 명확한 시간적 반응 패턴을 성공적으로 식별하였으며, 시계열 영상의 시각적 점검을 통해 검증되었다.
• 렌즈 처리된 재구성 과정에서 유도된 특징 중요도 맵은 세포 크기, 농도, 세포막 비정상성과 같은 특정 형태학적 특징이 정확한 약물 분류에 기여했음을 강조했다.
• 높은 세포 밀도나 형태학적 유사성으로 인해 초기에 잘못 분류된 약물들(예: Topotecan, BPTES)을 정확히 재분류하는 데 성공했으며, 사례 연구를 통해 이를 확인했다.
• SwAV로 사전 훈련된 ResNet-50는 ConvAE와 유사한 시간적 반응 패턴을 생성했으며, 성능 손실가능성을 최소화하면서도 저비용 대안으로 활용 가능함을 시사했다.
• 100만 장의 영상에 대해 단일 RTX 2060에서 ConvAE 추론은 단 40분이 소요되었으며, ResNet-50는 32시간, ViT-B/8는 200시간이 소요되어 계산 효율성이 뛰어나다는 점을 입증했다.