[논문 리뷰] Towards computational fluorescence microscopy: Machine learning-based integrated prediction of morphological and molecular tumor profiles

Alexander Binder, Michael Bockmayr외 16명|arXiv (Cornell University)|2018. 05. 28.

Cell Image Analysis Techniques참고 문헌 36인용 수 22

한 줄 요약

이 논문은 유방암에서 조직형광도 영상 특징과 분자 종양 프로파일을 통합하는 기계학습 프레임워크를 제시한다. 이는 H&E 염색 전면 슬라이드 영상에서 형태학적 및 분자 마커를 계산적으로 예측할 수 있도록 한다. Bag-of-visual-words (BoW) 특징과 커널 기반 학습을 조합함으로써, 유전자 발현, 메틸화, 돌연변이 등의 분자 기능과 공간 히트맵을 고정밀도로 예측하며, 면역형광염색 및 생존 데이터와의 비교 검증을 통해 검증된다.

ABSTRACT

Recent advances in cancer research largely rely on new developments in microscopic or molecular profiling techniques offering high level of detail with respect to either spatial or molecular features, but usually not both. Here, we present a novel machine learning-based computational approach that allows for the identification of morphological tissue features and the prediction of molecular properties from breast cancer imaging data. This integration of microanatomic information of tumors with complex molecular profiling data, including protein or gene expression, copy number variation, gene methylation and somatic mutations, provides a novel means to computationally score molecular markers with respect to their relevance to cancer and their spatial associations within the tumor microenvironment.

연구 동기 및 목표

• 암 병리학에서 고해상도 공간 영상와 고차원 분자 프로파일링 사이의 격차를 메운다.
• 일반적인 H&E 염색 전면 슬라이드 영상에서 직접 분자 마커(예: 유전자 발현, 메틸화, 돌연변이)의 계산적 예측을 가능하게 한다.
• 영상에서 유도된 특징을 사용하여 종양 미세환경 내 분자 기능의 공간 국소화를 예측한다.
• 형태학적 및 분자 종양 프로파일을 통합하여 임상병리학적 예측 및 생존 분석을 향상시킨다.
• 황금 표준 면역형광염색 및 임상 결과와의 비교를 통해 계산 예측을 검증한다.

제안 방법

• 국소 영상 기술자(예: SIFT, 기울기 노름 분위, 강도 분위)를 기반으로 H&E 전면 슬라이드 영상에서 형태학적 특징을 bag-of-visual-words (BoW)로 추출한다.
• BoW 특징을 분자 및 임상병리학적 결과로 매핑하기 위해 커널 기반 학습(예: 가우시안 커널)을 적용한다.
• 균형 정확도와 몬테카를로 순열 검정을 사용하여 통계적 유의성과 가짜 발견률을 제어한다.
• 훈련된 모델을 사용하여 각 조직 영역의 분자 점수를 예측함으로써 분자 기능의 공간 히트맵을 생성한다.
• 예측의 신뢰성을 평가하기 위해 면역형광염색(IHC) 및 합성 데이터 실험과의 비교를 통해 예측을 검증한다.
• 다중 가설 검정에서의 가짜 발견률을 제어하기 위해 훌레핀의 부등식과 벤자민-호크베르그 FDR 보정을 적용한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 일반적인 H&E 염색 조직병리 영상에서 분자 종양 프로파일(예: 유전자 발현, 메틸화, 돌연변이)을 예측할 수 있는가?
• RQ2 영상 데이터를 사용하여 종양 미세환경 내 분자 기능의 공간 국소화를 얼마나 정확하게 예측할 수 있는가?
• RQ3 예측된 분자 프로파일이 생존 및 종양 등급과 같은 임상 결과와 얼마나 관련이 있는가?
• RQ4 면역형광염색과의 검증을 통해 예측된 형태-분자 히트맵의 신뢰도는 어느 정도인가?
• RQ5 고차원 설정에서 분자 기능 예측의 통계적 유의성은 무엇이며, 가짜 발견률은 어떻게 추정할 수 있는가?

주요 결과

• 모델은 H&E 영상에서 분자 기능(예: 유전자 발현, 메틸화, 돌연변이)을 예측하는 데 높은 균형 정확도를 달성하였으며, IHC 검증 결과 강한 일치를 보였다.
• 합성 데이터 실험을 통해 분자 기능의 공간 히트맵이 신뢰성 있게 예측되었으며, 이는 방법의 강건성을 확인한다.
• 예측된 분자 프로파일은 종양 등급 및 호르몬 수용체 상태와 같은 임상병리학적 특징과 유의미한 상관관계를 보였다.
• 모델는 생존 결과 예측 능력을 보였으며, 예측된 분자 기능과 환자 생존 간 유의미한 연관성이 확인되었다.
• 몬테카를로 순열 검정과 훌레핀의 부등식을 통해 낮은 가짜 발견률이 확인되어 예측의 통계적 신뢰성이 뒷받침되었다.
• 형태학적 및 분자 프로파일의 통합은 단순히 조직형광도만을 고려한 것보다 종양 특성 예측을 향상시켰다.