생성형 AI로 가상 다중염색 조직 이미지 제작하는 획기적 기술 개발

생성형 인공지능(AI)을 활용해 단일 H&E 염색 이미지만으로 여러 면역조직화학(IHC) 마커의 가상 다중염색 이미지를 생성하는 혁신적인 기술이 개발됐다. 이 기술은 조직병리학 워크플로우를 크게 가속화하고 암 연구에 새로운 지평을 열 것으로 기대를 모으고 있다.

스위스 IBM 리서치와 베른대학교 연구팀이 개발한 ‘VirtualMultiplexer’는 H&E(헤마톡실린 및 에오신) 염색 이미지 하나만으로 여러 IHC 마커의 가상 염색 이미지를 생성할 수 있는 생성형 AI 도구다. 이 획기적인 연구 결과는 최근 네이처 머신 인텔리전스(Nature Machine Intelligence)에 게재되어 학계의 주목을 받고 있다.

현재 조직병리학 분야에서는 종양의 공간적 이질성을 파악하기 위해 H&E 염색과 연속 IHC 염색을 주로 사용한다. 그러나 이 방식은 시간이 오래 걸리고 귀중한 조직 샘플을 많이 소모하며, 정렬되지 않은 이미지를 생성하는 등의 단점이 있다. 최근 다중염색 기술이 개발되어 이러한 문제를 일부 해결했지만, 여전히 높은 비용과 복잡한 실험 과정 때문에 임상 적용이 제한적이었다.

연구팀은 이러한 기존 방식의 한계를 극복하기 위해 최신 생성형 AI 기술을 활용했다. VirtualMultiplexer는 H&E 염색 이미지 하나만으로 여러 IHC 마커(AR, NKX3.1, CD44, CD146, p53, ERG)의 가상 염색 이미지를 동시에 생성할 수 있다. 특히 이 기술은 연속 조직 절편이나 복잡한 이미지 정렬 과정, 또는 광범위한 전문가 주석 없이도 생물학적으로 관련된 염색 패턴을 정확하게 포착할 수 있다는 점에서 혁신적이다.

연구팀은 철저한 정성적, 정량적 평가를 통해 VirtualMultiplexer가 빠르고 정확하게 고품질의 가상 다중염색 이미지를 생성함을 확인했다. 생성된 가상 이미지는 실제 IHC 염색 이미지와 구별하기 어려울 정도로 유사했으며, 일부 마커에서는 실제 이미지보다 더 높은 품질을 보이기도 했다.

특히 주목할 만한 점은 이 기술이 다양한 조직 규모와 환자 코호트 간에도 성공적으로 전이됐다는 것이다. 전립선암 조직 마이크로어레이(TMA)로 학습한 모델을 전립선암 전체 슬라이드 이미지(WSI)와 생검 이미지에 적용했을 때도 우수한 성능을 보였다. 또한 췌장암 TMA에도 적용 가능함을 확인해 다른 암종으로의 확장 가능성도 제시했다.

VirtualMultiplexer로 생성한 가상 다중염색 이미지는 임상적으로 관련된 중요한 지표를 예측하는 데 매우 유용한 것으로 나타났다. 연구팀은 이 가상 이미지를 이용해 그래프 트랜스포머 모델을 학습시켜 여러 단백질의 공간 분포를 동시에 학습하고 임상 지표를 예측하도록 했다.

그 결과, 가상 다중염색 이미지를 사용한 모델이 실제 H&E 이미지만 사용한 모델보다 더 높은 예측 정확도를 보였다. 이러한 성능 향상은 여러 독립적인 환자 코호트와 다양한 암종에서도 일관되게 나타났다. 특히 전립선암 코호트에서 글리슨 등급 예측 시 기존의 최고 성능 모델보다 우수한 결과를 보여, 임상 진단 보조 도구로서의 잠재력을 입증했다.

VirtualMultiplexer는 조직병리학 워크플로우를 크게 가속화할 수 있을 것으로 기대를 모으고 있다. 연구팀의 계산에 따르면, 6개의 IHC 마커에 대해 250개의 TMA 코어를 가상 염색하는 데 약 65.8분이 소요된다. 반면 실제 IHC 염색은 최신 프로토콜을 사용하는 첨단 병리학 실험실에서도 약 1일이 걸리며, 일반적인 생물학 실험실에서는 5일 이상 소요될 수 있다. 이는 VirtualMultiplexer가 실험 시간과 비용을 크게 절감할 수 있음을 시사한다.

이번 연구는 생성형 AI 기술이 의료 영상 분야, 특히 조직병리학에서 가지는 큰 잠재력을 보여주는 중요한 사례다. VirtualMultiplexer는 단순히 실험 시간을 단축하는 것을 넘어, 조직 샘플의 효율적 사용, 데이터 보강, 마커 선택 최적화 등 다양한 측면에서 조직병리학 연구와 진단을 혁신할 수 있는 가능성을 제시했다.

연구팀은 “VirtualMultiplexer가 데이터 보강, 마커 선택 최적화, 그리고 다중염색 이미징 기술 간 번역 등에 활용될 수 있을 것”이라며 “이는 조직병리학 워크플로우와 암 생물학 연구를 가속화할 수 있는 큰 잠재력을 가지고 있다”고 밝혔다. 또한 “향후 이 기술이 발전하면 가상의 IHC 염색 사전(dictionary)을 구축할 수 있을 것”이라며 “이는 조직병리학 연구와 진단에 혁명적인 변화를 가져올 수 있다”고 전망했다.

그러나 연구팀은 이 기술의 한계점도 함께 지적했다. 일부 마커에서 배경 염색이 증가하는 현상이 관찰됐으며, 패치 단위 처리로 인한 타일링 아티팩트, 그리고 일부 희귀한 세포 유형에 대한 염색 특이성 불일치 등의 문제가 있었다. 연구팀은 이러한 한계점들이 향후 연구를 통해 개선될 수 있을 것으로 보고 있다.

VirtualMultiplexer의 개발은 AI 기술이 의학 분야, 특히 조직병리학에서 어떻게 혁신적인 변화를 가져올 수 있는지를 보여주는 좋은 예다. 이 기술은 향후 조직병리학 진단의 정확도와 효율성을 높이고, 암 연구의 속도를 가속화하며, 궁극적으로는 환자 치료 결과 개선에 기여할 것으로 기대된다. 앞으로 이 기술이 더욱 발전하고 임상 현장에 널리 적용되어, 의료 진단과 연구의 새로운 지평을 열 것으로 전망된다.

베른대학교 연구팀의 논문은 링크에서 확인할 수 있다.

본 기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다. 

관련 콘텐츠 더보기