전립선 TMA 등급 분류를 위한 약한 지도 학습 그래프 컨볼루션 네트워크

본 논문은 전립선 암 진단에서 핵심적인 Gleason 점수 부여 과정을 자동화하기 위해, 조직 마이크로 어레이(TMA) 이미지를 그래프 형태로 변환하고 그래프 컨볼루션 네트워크(GCN)를 적용한 약한 지도 학습 프레임워크를 제안한다. 서론에서는 Gleason 점수가 세포와 선의 공간 조직에 기반한 주관적 평가이며, 기존 딥러닝 기반 자동화 방법이 픽셀‑레벨 라벨링에 의존하고 조직 구조 정보를 충분히 활용하지 못한다는 문제점을 제시한다. 이를 해결하기 위해 그래프 모델링이 세포 간 거리·연결 관계를 자연스럽게 표현할 수 있음을 강조한다. 관련 연구에서는 전통적인 CNN 기반 Gleason 점수 예측, GLCM·텍스처 기반 분류, 그리고 GCN을 이용한 대장암·유방암 분류 사례를 검토한다. 기존 방법들은 대부분 이미지 레벨이 아닌 픽셀·패치 레벨 라벨을 필요로 하며, 전이 학습 특징(VGG, ResNet 등)은 조직 특이적 정보를 충분히 반영하지 못한다는 한계를 지적한다. 방법론 파트에서는 먼저 색상 정규화를 수행한 뒤, 조건부 GAN(cGAN)을 이용해 다기관 핵 데이터셋으로 사전 학습한 모델로 핵을 정확히 분할한다. 핵 중심을 노드로, K‑nearest neighbor(K=5, 거리 ≤100 픽셀) 알고리즘으로 엣지를 생성해 각 TMA마다 하나의 그래프를 만든다. 노드 특성은 세 가지 종류로 구성한다. 1) 형태학적 특징(면적, 원형도, 타원도, 경도, 방향 등 8개), 2) GLCM 기반 텍스처 특징(불균일도, 동질성, 에너지, ASM 등 4개), 3) 대비 예측 코딩(CPC)으로 학습된 1024차원 임베딩. CPC는 256×256 패치를 겹쳐 추출하고, 64×64 윈도우를 핵 중심에 적용해 자기지도 방식으로 고차원 표현을 학습한다. 이렇게 얻어진 1036차원 특성 벡터를 각 노드에 할당한다. GCN 구조는 GraphSAGE 컨볼루션을 사용해 이웃 노드의 특징을 집계하고, Self‑Attention Graph Pooling을 통해 중요한 노드에 높은 가중치를 부여한다. 여러 레이어를 거친 후, 전체 그래프 표현을 풀링해 완전 연결층에 입력함으로써 고위험( Gleason ≥ 6)과 저위험( Gleason < 6) 이진 분류를 수행한다. 학습은 TMA‑레벨 라벨만을 사용하며, 5‑fold 교차 검증을 통해 모델의 일반화 성능을 평가한다. 실험에서는 5개의 전립선 TMA(총 886 이미지)에서 각 이미지당 5개의 1550×1550 크롭을 추출해 학습·검증·테스트 셋을 구성하였다. 제안된 GCN‑CPC 모델은 평균 AUC 0.9659 ± 0.0096을 달성했으며, GLCM‑only GCN(0.6909), ResNet56 전이 학습(0.6987), VGG19 전이 학습(0.7486) 대비 각각 39.80%와 29.27% 이상의 성능 향상을 보였다. 정확도 역시 0.8995 ± 0.0222로 기존 방법들을 크게 앞섰다. 이러한 결과는 세포 수준의 구조·형태·텍스처 정보를 자기지도 학습으로 추출한 특징이 전이 학습 특징보다 병리학적 구분에 더 효과적임을 시사한다. 결론에서는 제안된 파이프라인이 픽셀‑레벨 라벨링 없이도 높은 위험군을 정확히 식별할 수 있음을 강조하고, 병리학자의 작업 부담을 감소시키는 보조 도구로 활용 가능함을 언급한다. 향후 연구 방향으로는 6‑class 다중 등급 분류, 노드 중요도 해석을 통한 모델 투명성 확보, 환자·가족력·멀티오믹스 데이터와의 통합, 그리고 전체 슬라이드 이미지(WSI) 적용을 위한 효율적인 그래프 샘플링 및 확장 방법을 제시한다.