[병리 AI] 병리 AI_Lab Seminar (1)

지난 방학, 연구실에서의 병리 AI는 너무 어렵게 느껴졌다.

정리했던 내용을 블로그에 옮깁니다.

22.07.05.

 

제목 : Graph Representation Forecasting of Patient’s Medical Conditions: Toward a Digital Twin

Graph representation forecasting of patient's medical conditions: towards a digital twin

논문 내용 요약

 가상의 환경에 사람의 임상 데이터를 담아 이를 GNN, GAN을 이용해 환자 개인의 상태를 모니터링 및 질병 예측을 가능하게 하는 방법론 제안.

논문의 시사점

 기존 의학에서 이용되는 Digital twin은 복잡하고, 인체의 한 부분에만 초점을 맞추는데 본 논문은 Graph를 이용해 더 다양한 데이터들 간의 관계성을 설정해 환자 상태에 대해 더 넓은 범위로 모니터링할 수 있게 하였고, 더 나아가 환자의 특정 상태와 관계성을 가지는 질병을 예측할 수 있다.

 

나의 리뷰

 현대 의학은 더욱 개인적이고 시스템적으로 변화하고 있는 추세이다. 의학적인 다양한 요소들을 시스템 네트워크적 요소들로 발전시키면서 다양한 연구가 생겨났다고 한다. 논문의 목표는 Digital Twin 기술을 사용해서 모델링하고, 가상의 개인 신체를 통해 특정 치료로서 어떠한 변화가 있는지 monitoring 하는 것이라고 하셨다. 발표해 주신 본 논문에서 제시하는 방법으로는

1. 현대 의학에서의 결과가 정확해지기 위해서는 사람 몸에 대한 복잡한 데이터를 '통합적'으로 다루어야 하고
2. 예측 모델을 만들 때 더 많고 다양한 관측값이 존재해야 하는 것이었다.

아래의 내용을 특히 중요한 부분으로 느꼈다.

논문에서 사용한 method로는 Digital Twin, GNN, GAN 기술이었는데, 세 가지 기술은 의학에서 필히 고려되어야 하는 많은 부분을 고려하지 않은 method로 제시되었기 때문에 기술적인 측면에서만 의의가 있으며, 의학에서는 global application을 찾기가 더욱 어렵다고 말씀해주셨다.

 

---

22.07.12.

제목 : Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology

Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pa

논문 내용 요약

 조직 슬라이드 염색 시에 발생하는 stain variation은 환경이나 이미지가 변하게 되면 성능이 저하되는 문제가 발생한다. 본 논문은 이러한 일반화 오류를 줄이기 위해 stain augmentation 기법과 statin Normalization 기법에 대해 다룬다. 특히 neural network를 통해 stain color normalization을 수행하는 새로운 비지도 학습 기법을 제안한다.

논문의 시사점

 본 논문에서는 9개의 pathology laboratories의 데이터를 이용하여 stain color augmentation 및 normalization의 효과를 정량화 하였다. 진행된 실험 결과는 4개의 관련 computational pathology 분야에서 stain color augmentation 및 normalization 사용에 대한 실용적인 가이드라인을 제공하였다. 이러한 방법은 새로운 application에 해당하는 유방암 이미지에 대해서도 충분히 활용할 수 있을 것으로 보인다.

 

나의 리뷰

 병리학에서 다양한 whole-slide에 대한 실험마다 이미지의 색상이 다른 문제를 해결하기 위한 방법론을 제시하는 논문에 대한 발표였다. 쉽게 말해 일반화의 오류를 줄이기 위해 제시된 방법론이었고, 크게 두가지의 기법(augmentation, normalization)을 설명해주었다. 첫번째는 이미지의 기존 형태를 유지하되, 대비, 밝기, 색조 등의 색상적인 요소만 변형을 주어 데이터를 augmentation하는 기법이었다. 이러한 color augmentation은 실제로 병리학에서 사용되고 있다고 했으며, 본 논문의 CNN기반 실험들은 기존보다 분류 성능을 향상시켰다고 하였다. 두번째는 stain color normalization으로 augmentation이후 의도치 않은 색상을 갖는 이미지가 생성되는 현상을 Network-based 방법으로 Reconstruction하는 새로운 형태의 normalization 기법이었다. 교수님께선 해당 기법이 input과 output 이미지의 차이를 줄여주는 denoising 컨셉의 기법인 것 같다고 말씀해주셨다. 실험 결과에서 의아했던 점은 normalization만의 관점에서는 이를 진행하지 않는 것이 더 높은 성능을 보인다는 점이었다.

---

22.07.12.

제목 : Topological Feature Extraction and Visualization of Whole Slide Images using Graph Neural Networks

Topological Feature Extraction and Visualization of Whole Slide Images using Graph Neural Networks - PubMed

논문 내용 요약

 조직학 데이터의 복잡성은 데이터 해석에 어려움을 초래한다. 해당 논문은 TDA 방법인 Mapper를 사용하여 이 문제를 해결한다. 또한 전체적으로 WSI 에 대해 GNN 기반 feature extraction과 Mapper 기반 clustering을 수행하는 전반적인 workflow 인 "WSI-GTFE" 를 제안한다.

논문의 시사점

 본 논문에서는 Mapper라는 node clustering 하는 방법을 통해 graph데이터의 topology를 유지하면서 의미있는 graph data를 만드는 것을 볼 수 있다. 학습의 성능을 더 올리기 위해서 적절한 데이터 전처리 과정이 필요함을 보여준다.

 

나의 리뷰

 디지털 병리학을 통한 진단 기술은 계속해서 발전하고 있다. 딥러닝이 디지털 병리학에 큰 영향력을 줄 수 있음을 보여주는 논문에 대한 발표였다. 해당 논문에서는 GNN을 사용하면, invariant 상태를 유지하면서 이미지 내 영역의 관계성을 확인할 수 있음을 보여준다. 논문에서는 대장암 데이터(CRC)를 통해 실험을 진행하며, 이를 통해 조직의 상태와 림프절의 상태를 확인할 수 있다고 하였다.

조직학 데이터는 복잡성이 높기 때문에 데이터 해석이 어렵다고 한다. 그래서 전체적인 구조를 분석하는 기법인 TDA의 mapper라는 도구와 GNN 기법을 합쳐 WSI-GTFE 방법론을 제안한다. 6단계에 거쳐 암 침입의 정도 측정하고자 하며, 최종적으로는 TIS라는 지표를 통해 이를 수치화할 수 있다고 하였다. 이 중 두번째 단계에서 clustering을 통한 representation만 보았을 때는 기존 manifold 방식의 clustering과 큰 차이점을 알 수 없었다. 하지만, 암 침입 정도 측정에 있어서 GNN을 통한 접근방식이 좋은 퍼포먼스를 보여주는 것을 확인할 수 있었다.