정상 신장 조직 이미지에서 병변을 탐지하는 원클래스 이상 감지 연구
Seeing Abnormal from Normal: Glomerular Abnormality in Representations of Normal Renal Morphology
arXiv신장 조직 이미지의 병변 진단을 위해, 정상 데이터만을 학습하여 비정상 패턴을 감지하는 원클래스 이상 탐지(Anomaly Detection) 프레임워크를 제시했습니다.
- 제안된 NoRDeC는 정상 기준 점수와 계층별 표현 분석을 결합하여, 병변의 유무뿐 아니라 변형 양상까지 정밀하게 파악하는 높은 진단 정확도를 입증했습니다.
- 이 기술은 희귀하거나 데이터 확보가 어려운 질병의 AI 진단에 혁신적입니다. 비정상 사례 학습 없이도 다양한 병변을 탐지하고 특성화할 수 있습니다.
- 모델은 오직 정상 조직 데이터로만 학습하며, 이상 점수 외에도 계층 간 관계 변화 분석(CKA) 등을 통해 병변의 미묘한 특징까지 포착하는 것이 중요함을 보여주었습니다.
신장 조직의 미세한 병변 진단은 정상 구조와 전반적/분절성 경화증 등 다양한 비정상 패턴을 구별해야 하는 복잡성을 가집니다. 기존의 지도 학습(Supervised classification) 방식은 희귀하거나 훈련 코호트에서 부재하는 아형태에 대한 레이블링이 어려워 실용성이 떨어지기 때문에, 정상 데이터만을 모델링하고 편차를 점수화하여 미지의 이상 패턴을 탐지할 수 있는 원클래스 이상 감지(One-class anomaly detection) 방식이 대안으로 제시되었습니다.
연구진은 Omni-Seg의 고정된 잔여 U-Net 백본을 활용하여 NoRDeC(Normal-Reference Detection and Characterization) 프레임워크를 제안했습니다. 이 방법은 마할라노비스 정상 기준 점수와 계층별 표현 분석을 결합하여, 병변이 존재하는지 여부뿐만 아니라 병리학적 변화가 인코딩된 위치, 공간 집계의 영향, 그리고 이상 패턴이 레이어 간 관계를 어떻게 변화시키는지까지 종합적으로 판단합니다.
두 기관의 신장 이미지로 평가한 결과, NoRDeC는 7가지 비정상 범주와 전체 분석에서 가장 높은 AUROC를 달성했습니다. 특히 정상 기준 모델은 오직 정상 근위세뇨관만을 사용하여 적합시키며, 이상 레이블은 구성 선택 및 표현 분석에만 사용됩니다. 이는 비정상 사례의 예시 없이도 신장 병변을 탐지하고 그 수준으로 특성화할 수 있음을 보여줍니다.