최근 Nature Machine Intelligence에 발표된 연구는 암 조직의 가상 염색을 생성할 수 있는 고급 인공지능(AI) 모델을 소개함. 이 연구는 로잔 대학교와 베른 대학교의 과학자들이 공동으로 이끌었으며, 암의 병리 분석 및 진단을 향상시키는 중요한 진전을 의미함.
혁신적인 계산 기법의 조합을 통해, 로잔 대학교의 마리아나 라프소마니키와 베른 대학교의 마리아나 크루이토프-데 훌리오가 이끄는 컴퓨터 과학자, 생물학자, 임상의 팀이 암 조직 분석을 위한 새로운 접근 방식을 개발함. 연구자들이 종종 제한된 환자 조직으로 작업할 때 직면하는 실험 데이터 부족 문제를 극복하기 위해, 과학자들은 'VirtualMultiplexer'라는 인공지능(AI) 모델을 만들어 진단 조직 염색의 가상 이미지를 생성함.
가상 염색: 암 연구의 새로운 경계
생성적 AI를 활용하여, 이 도구는 특정 세포 마커에 대한 염색이 어떻게 보일지를 모방한 암 조직의 정확하고 상세한 이미지를 생성함. 이러한 특정 염료는 환자의 암 상태에 대한 중요한 정보를 제공할 수 있으며, 진단에서 중요한 역할을 함. '실험실에서 수행된 실제 조직 염색 하나만 있으면, 그 조직에서 어떤 세포가 여러 다른, 더 구체적인 마커에 대해 양성으로 염색될지를 시뮬레이션할 수 있다'고 로잔 대학교 생물의학 데이터 과학 센터의 컴퓨터 과학자이자 AI 전문가인 마리아나 라프소마니키가 설명함.
이 기술은 자원 집약적인 실험실 분석을 수행할 필요성을 줄이며, 실험에서 얻은 정보와 보완적으로 사용될 예정임. '우리 모델은 사용 가능한 조직 재료가 제한적이거나, 다른 이유로 실험 염색을 수행할 수 없을 때 매우 유용할 수 있다'고 연구의 첫 저자인 푸시팍 파티가 덧붙임.
방법 이해하기: 대조 비매칭 변환
대조 비매칭 변환이라는 기본 방법론을 이해하기 위해, 젊은 사람이 나이가 들었을 때 어떻게 보일지를 예측하는 모바일 앱을 상상해보면 됨. 현재 사진을 기반으로, 이 앱은 사람의 미래 모습을 시뮬레이션한 가상 이미지를 생성함. 이는 수천 장의 다른 노인들의 사진에서 정보를 처리하여 이루어짐. 알고리즘이 '노인이 어떻게 생겼는지'를 학습함에 따라, 주어진 사진에 이 변환을 적용할 수 있음.
유사하게, VirtualMultiplexer는 암 조직 내에서 서로 다른 영역을 넓게 구분하는 하나의 염색 사진을 주어진 마커 분자에 대해 양성으로 염색되는 세포를 묘사하는 이미지로 변환함. 이는 AI 모델이 실험적으로 염색된 다른 조직의 수많은 사진에 대해 학습함으로써 가능해짐. 실제 염색된 사진을 정의하는 논리를 학습한 후, VirtualMultiplexer는 주어진 조직 이미지에 동일한 스타일을 적용하고 원하는 염색의 가상 버전을 생성할 수 있음.
환각 방지: 성능 및 임상적 관련성 보장
과학자들은 가상 이미지가 임상적으로 의미가 있고, 그저 그럴듯하게 보이는 AI 생성 출력이 아닌지 확인하기 위해 엄격한 검증 과정을 적용함. 그들은 인공 이미지가 환자의 생존이나 질병 진행과 같은 임상 결과를 얼마나 잘 예측하는지를 기존의 실제 염색된 조직 데이터와 비교함. 비교 결과, 가상 염색이 정확할 뿐만 아니라 임상적으로 유용하다는 것이 확인되어 모델의 신뢰성과 신뢰성을 보여줌.
더 깊이 들어가, 연구자들은 VirtualMultiplexer를 소위 튜링 테스트에 적용함. 현대 AI의 아버지인 앨런 튜링의 이름을 딴 이 테스트는 AI가 인간이 생성한 출력과 구별할 수 없는 출력을 생성할 수 있는지를 판단함. 전문가 병리학자들에게 전통적인 염색 이미지와 AI 생성 염색을 구별하도록 요청한 결과, 인공 생성물이 실제 사진과 거의 동일하게 인식되었으며, 이는 모델의 효과성을 보여줌.
다중 규모 접근: 주요 발전
VirtualMultiplexer를 차별화하는 주요 혁신 중 하나는 다중 규모 접근 방식임. 전통적인 모델은 조직을 미세한(세포 수준) 또는 거시적인(전체 조직) 규모에서 검사하는 데 초점을 맞추는 경우가 많음. 로잔과 베른의 팀이 제안한 모델은 암 조직의 구조를 세 가지 다른 규모에서 고려함: 전반적인 외관과 구조, 이웃 세포 간의 관계, 개별 세포의 세부 특성. 이러한 전체론적 접근 방식은 조직 이미지를 보다 정확하게 표현할 수 있게 함.
암 연구 및 그 이상에 대한 함의
이 연구는 종양학 연구에서 중요한 진전을 의미하며, 기존의 실험 데이터를 보완함. 고품질의 시뮬레이션 염색을 생성함으로써, VirtualMultiplexer는 전문가들이 가설을 수립하고 실험의 우선순위를 정하며 암 생물학에 대한 이해를 발전시키는 데 도움을 줄 수 있음. 베른 대학교 비뇨기 연구소의 책임자인 마리아나 크루이토프-데 훌리오가 향후 응용 가능성에 대해 중요한 잠재력을 보고 있음: '우리는 전립선암에 영향을 받은 사람들의 조직을 사용하여 도구를 개발했습니다. 논문에서는 췌장 종양에 대해서도 유사하게 잘 작동함을 보여주어, 다른 많은 질병 유형에도 유용할 수 있다고 확신합니다.'
이 혁신적인 접근 방식은 생물학적 연구에서 기초 AI 모델을 지원할 수 있는 잠재력도 가지고 있음. 이러한 모델의 힘은 방대한 양의 데이터를 처리하여 스스로 학습함으로써 복잡한 구조 뒤에 있는 논리를 이해하고 다양한 작업을 수행할 수 있는 능력에 있음.
희귀 조직에 대한 가용 데이터는 부족함. VirtualMultiplexer는 이러한 격차를 메우고 현실적인 이미지를 신속하고 비용 없이 생성함으로써, 향후 기초 모델이 다양한 방식으로 조직 특성을 분석하고 설명하는 데 도움을 줄 수 있음. 이는 연구 및 진단에서 새로운 발견의 길을 열어줄 것임.
마리아나 라프소마니키, 로잔 대학교
