다중(멀티플렉스) 이미징은 조직 샘플 내에서 여러 바이오마커를 동시에 시각화함으로써 병리학을 혁신하고 있으며, 기존의 헤마톡실린 및 에오신( H&E ) 염색으로는 제공할 수 없는 분자 수준의 통찰을 제공한다. 그러나 다중 데이터 획득의 복잡성과 비용은 이 기술의 광범위한 도입을 저해해 왔다. 또한, 기존의 대부분 대규모 H&E 이미지 저장소는 이에 상응하는 다중 이미지를 포함하지 않아 다중모달(multimodal) 분석의 기회를 제한한다. 이러한 과제를 해결하기 위해, 우리는 최근의 잠재 확산 모델(latent diffusion models, LDMs)의 발전을 활용한다. LDMs는 강력한 사전(prior)을 이용해 목표 도메인에 대해 미세조정(fine-tuning)함으로써 복잡한 데이터 분포를 모델링하는 데 탁월하다. 본 논문에서는 조건부 확산 모델을 사용하여 H&E 이미지로부터 미리 학습된 LDM 파라미터를 활용해 다중 이미지를 생성하는 가상 다중 염색(virtual multiplex staining)을 위한 새로운 프레임워크를 제안한다. 우리의 접근법은 각 마커에 대해 확산 모델을 조건화(conditioning)함으로써 마커별 생성(marker-by-marker generation)을 가능하게 하면서, 모든 마커에 대해 동일한 아키텍처를 공유한다. 서로 다른 마커 염색 간에 픽셀 값 분포가 달라지는 문제에 대응하고 추론 속도를 향상시키기 위해, 단일 단계 샘플링(single-step sampling) 방식으로 모델을 미세조정하며, 픽셀 수준 손실(pixel-level loss) 함수를 통해 색 대비의 충실도와 추론 효율을 모두 향상시킨다. 우리는 두 개의 공개 데이터셋에서 본 프레임워크를 검증하였으며, 특히 이전 접근법에서 달성된 2~3종 마커 유형 대비 상당히 증가한 최대 18종의 서로 다른 마커 유형을 생성하는 데 있어 향상된 정확도를 입증하였다. 이러한 검증은 가상 다중 염색을 개척하는 본 프레임워크의 잠재력을 보여준다. 마지막으로, 본 논문은 H&E와 다중 이미징 사이의 격차를 연결하여, 기존 H&E 이미지 저장소에 대한 후향적 연구 및 대규모 분석을 가능하게 할 잠재성을 지닌다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.