[논문 리뷰] Tissue Classification and Whole-Slide Images Analysis via Modeling of the Tumor Microenvironment and Biological Pathways

Junzhuo Liu, Xuemei Du외 6명|arXiv (Cornell University)|2026. 01. 13.

AI in cancer detection인용 수 0

한 줄 요약

논문은 조직 형태학과 공간 유전자 발현을 융합한 다중 모달 네트워크 BioMorphNet을 제시하여 전장 슬라이드 이미지에서 조직을 분류하고 차등 유전자 발현을 분석하며 종양 미세환경 및 생물학적 경로를 모델링합니다.

ABSTRACT

Automatic integration of whole slide images (WSIs) and gene expression profiles has demonstrated substantial potential in precision clinical diagnosis and cancer progression studies. However, most existing studies focus on individual gene sequences and slide level classification tasks, with limited attention to spatial transcriptomics and patch level applications. To address this limitation, we propose a multimodal network, BioMorphNet, which automatically integrates tissue morphological features and spatial gene expression to support tissue classification and differential gene analysis. For considering morphological features, BioMorphNet constructs a graph to model the relationships between target patches and their neighbors, and adjusts the response strength based on morphological and molecular level similarity, to better characterize the tumor microenvironment. In terms of multimodal interactions, BioMorphNet derives clinical pathway features from spatial transcriptomic data based on a predefined pathway database, serving as a bridge between tissue morphology and gene expression. In addition, a novel learnable pathway module is designed to automatically simulate the biological pathway formation process, providing a complementary representation to existing clinical pathways. Compared with the latest morphology gene multimodal methods, BioMorphNet's average classification metrics improve by 2.67%, 5.48%, and 6.29% for prostate cancer, colorectal cancer, and breast cancer datasets, respectively. BioMorphNet not only classifies tissue categories within WSIs accurately to support tumor localization, but also analyzes differential gene expression between tissue categories based on prediction confidence, contributing to the discovery of potential tumor biomarkers.

연구 동기 및 목표

• WSI 형태학적 특징과 공간 유전자 발현을 통합하여 조직 분류와 바이오마커 발견을 개선한다.
• 형태학 및 분자 유사성에 따라 이웃 관계를 가중하는 패치 수준 그래프를 구축하여 종양 미세환경을 모델링한다.
• 공간 전사체학에서 얻은 임상 경로 특징을 통해 조직 형태학과 유전자 발현을 연결한다.
• 새로운 학습 가능한 경로 모듈을 도입하여 생물학적 경로 형성을 보완적 표현으로 시뮬레이션한다.

제안 방법

• 대상 패치와 이웃 간의 그래프를 구성하여 공간적 관계를 모델링한다.
• 형태학적 및 분자적 유사성을 기준으로 반응 강도를 조정한다.
• 정해진 경로 데이터베이스를 사용하여 공간 전사체 데이터에서 임상 경로 특징을 도출한다.
• 생물학적 경로 형성을 시뮬레이션하는 새로운 학습 가능한 경로 모듈을 도입한다.
• 다중 모달 융합을 통해 전립선, 대장암 및 유방암 WSI 데이터세트에서 평가한다.
• 최신 형태-유전자 다중 모달 방법과 비교한다.

실험 결과

연구 질문

• RQ1 그래프 기반 다중 모달 네트워크가 공간 유전자 발현 및 미세환경 맥락을 통합하여 WSI의 조직 분류를 개선할 수 있는가?
• RQ2 형태학적 및 분자적 유사성이 조직 분류에서 패치 수준 상호작용에 어떤 영향을 미치는가?
• RQ3 공간 전사체학에서의 경로 유도 특징이 조직 라벨링 및 차등 유전자 분석에 기여하는가?
• RQ4 학습 가능한 경로 모듈이 분류 성능을 향상시키는 보완적 표현을 제공하는가?

주요 결과

• BioMorphNet은 전립선, 대장암, 유방암 데이터세트에서 평균 분류 지표가 각각 2.67%, 5.48%, 6.29% 향상되었다.
• 모델은 WSIs 내 조직 범주 위치화를 가능하게 하고 조직 범주 간 차등 유전자 발현 분석을 지원한다.
• 이 접근법은 경로 특징을 통해 조직 형태학과 유전자 발현을 연결하여 잠재적 바이오마커 발견을 돕는다.