UCLA는 가상 염색 결과의 재현성을 개선하고 출력 분산을 크게 줄이기 위해 양방향 브라운 브리지 확산 모델을 출시했습니다.

영상 질량 분석법(IMS)은 표지가 필요 없고, 다중 분자 동시 이미징이 가능하며, 공간적 위치 측정과 정량화를 결합한다는 장점으로 생물학 분야에서 널리 활용되어 왔습니다. 기존의 질량 분석법과 달리, IMS는 생물학적 조직 내 분자 종을 비표적화하고 고도로 다중화된 방식으로 매핑하여 조직, 세포, 심지어 세포 내 수준에서 여러 성분의 분포를 시각화할 수 있습니다. IMS의 높은 공간 분해능은 약물 표적 위치 측정, 대사체의 공간 분포, 그리고 약물 생산 기전 연구에 상당한 잠재력을 보여주며, 전이성 암, 알츠하이머병, 파킨슨병과 같은 주요 질병의 진단 및 검출을 발전시킵니다.

IMS는 분자적 적용 범위가 넓고 화학적 특이성이 높지만대부분의 IMS 플랫폼은 현미경 수준의 공간 분해능과 세포 형태학적 대조도가 부족하여 추가 정보 없이 분자 프로필을 정확한 세포 특성과 직접 연결하기 어렵습니다.이러한 한계를 해결하기 위해 연구진은 IMS 데이터와 광학 현미경을 결합하는 다중 모드 방법을 제안하고, IMS 데이터의 공간적 선명화, 샘플 외부 분자 분포 예측, 현미경 특징을 기반으로 한 IMS에서 파생된 분자 스펙트럼 마이닝을 통해 IMS 데이터의 해석성을 향상시키는 IMS-현미경 통합 방법을 개발했습니다.

그러나 조직화학 염색의 명시야 이미지나 면역형광 이미지에 대한 다중 모드 방법에 의존하면 실험의 복잡성이 커집니다.UCLA 연구팀은 확산 모델에 기반한 가상 조직 염색법을 제안하여 공간 분해능을 높이고, 표지 없는 인체 조직의 질량 분석 이미지에 세포 형태학적 대조도를 디지털 방식으로 구현했습니다. 이를 통해 저해상도 IMS 데이터를 기반으로 고해상도 세포 조직의 병리학적 구조를 예측할 수 있게 되어 분자 조직학에서 IMS 다중 모드 방법의 워크플로우가 간소화됩니다.또한 이 연구에서는 확산 모델의 추론 과정에서 최적화된 노이즈 샘플링을 사용하여 반복 가능한 가상 컬러링을 구현했습니다.

관련 연구 결과는 "영상 질량 분석법에서 라벨 없는 조직의 가상 염색"이라는 제목으로 Science Advances에 게재되었습니다.

연구 하이라이트:

* 브라운 브리지 확산 모델(BBDM)은 IMS 데이터에 처음 적용되어 표지되지 않은 조직의 저해상도 이온 이미지를 고해상도 가상 염색 이미지로 변환할 수 있게 되었습니다.

* 노이즈 샘플링 전략을 최적화하고 역확산 프로세스에 결정론적 평균 샘플링 전략을 도입합니다.

* 신호 대 잡음비(SNR)를 기반으로 한 채널 선택 전략을 제안하여 IMS 분자 정보의 중복성과 효율적인 활용을 검증했습니다.

서류 주소:

https://go.hyper.ai/X9GEn

공식 계정을 팔로우하고 "Imaging Mass Spectrometry Staining"에 답글을 남겨 전체 PDF를 받으세요.

더 많은 AI 프런티어 논문: 

https://hyper.ai/cn/papers

라벨 없는 조직 질량 분석 데이터 세트 전처리

본 연구에 사용된 데이터셋은 표지되지 않은 인간 신장 조직의 이미징 질량 분석 이온 이미지(Ion Images)와 동일 조직 샘플의 고해상도 명시야 이미지(Bright-field Images)를 포함합니다. 각 조직 샘플의 IMS 데이터는 10μm의 수평 간격을 둔 픽셀 수준 래스터 스캐닝을 통해 수집되었으며, 질량 대 전하비 채널을 포함하는 총 1,453개의 단일 이온 이미지가 생성되었습니다.

픽셀 수준 래스터 스캐닝을 통해 IMS 데이터를 수집한 후, 고해상도 조직 샘플의 명시야 이미지가 해당 IMS 이온 이미지에 등록됩니다.연구팀은 등록을 돕기 위해 IMS 데이터 수집 전후에 조직 절편의 자가형광 현미경 이미지도 획득했습니다.

본 연구에서는 원시 IMS 데이터의 전처리를 4단계로 구분합니다.

* 원시 데이터를 사용자 정의 이진 형식으로 내보내고 이를 가상 윤곽 질량 스펙트럼으로 재구성합니다.

* 내부 식별 피크 정렬 데이터를 기반으로 스펙트럼 정렬 오류를 수정합니다.

* 내부적으로 식별된 피크의 이론 질량을 사용하여 데이터 세트 질량 축을 보정합니다.

* 정규화 보정 계수는 총 이온 전류법을 사용하여 질량 스펙트럼과 이온 이미지를 정규화하고 모든 픽셀을 기반으로 각 데이터 세트의 평균 질량 스펙트럼을 계산하기 위해 계산되었습니다.

실험에 사용된 데이터셋은 14명의 환자로부터 얻은 조직 샘플 이미지 데이터를 포함합니다. 이 중 4명의 환자로부터 얻은 712쌍의 증강 IMS-PAS 현미경 이미지 블록은 모델 학습에 사용되었으며, 나머지 환자로부터 얻은 201쌍의 비증강 IMS-PAS 현미경 이미지 블록은 모델 테스트에 사용되었습니다.

양방향 브라운 브리지 확산 모델을 기반으로 한 가상 조직학적 염색

본 연구에서 연구팀은 라벨 없는 이미징 질량 분석 데이터를 브라운 교량 확산 모델(BBDM)의 핵심 생성 프레임워크를 기반으로 가상 염색 이미지로 변환했습니다. 기존의 브라운 교량 설계와는 달리,확산 모델은 양방향 브라운 브리지 설계를 채택하여 순방향 프로세스가 고전적인 잡음 제거 확산 확률 모델과 반대가 되도록 보장하고, 대상 고해상도 명시야 이미지에서 저해상도 IMS 입력 이미지로의 저하를 실현합니다.역방향 프로세스는 IMS 입력 데이터를 기반으로 대상 이미지를 직접 재구성할 수 있습니다.

또한,브라운 브리지 확산 모델은 샘플링 단계에서 결정론적 평균 샘플링 전략을 채택하여 생성된 이미지의 일관성과 반복성을 향상시킵니다.전략이 특정 시점에 도달하면 표준 무작위 표본 추출 과정에서 발생한 사후 잡음이 제거됩니다. 순수 잡음으로 끝나고 조건부 신호에만 전적으로 의존하는 모델과 비교할 때, 브라운 브리지 확산 모델은 더욱 안정적인 이미지 변환을 달성합니다. 전체 추론 과정에는 저해상도 IMS 데이터만 입력으로 사용되며, 모델은 이를 점진적으로 제거하고 고해상도의 가상 염색 이미지를 생성합니다.

연구에서는 훈련 후, 아직 훈련 및 검증을 거치지 않은 독립적인 인간 신장 조직 검사 데이터 세트를 사용하여 브라운 브리지 모델을 평가했습니다.저해상도 IMS 데이터를 기반으로 한 확산 모델에 의해 생성된 가상 염색 이미지는 실제 명시야 염색 이미지와 높은 수준의 시각적 일관성을 보여줍니다.

동시에, 주요 신장 구조도 가상 염색 이미지와 실제 염색 이미지에서 매우 유사한 결과를 보였습니다.브라운 브리지 프레임워크가 저해상도 IMS 데이터를 가상으로 채색하는 데 있어 견고성과 우수한 일반화 능력이 완전히 검증되었습니다.

가상 염색 모델 성능의 정량적 평가

이 실험은 가상 염색 모델이 공간 스펙트럼과 색상 분포 분석을 통해 상당한 초고해상도 성능을 가지고 있음을 확인했습니다.공간 스펙트럼 분석 결과, 입력된 저해상도 질량 분석 이미지와 비교했을 때, 고해상도 이미지는 모든 주파수 범위에서 공간 스펙트럼이 상대적으로 크게 증가하여 해상도가 크게 향상되었음을 보여줍니다. 또한, 가상 염색 이미지의 방사 평균 파워 스펙트럼은 고해상도 실제 염색 이미지의 방사 평균 파워 스펙트럼과 매우 일치하여 생물 구조의 공간 주파수 특성을 정확하게 재현합니다.

동시에, 쌍을 이루지 않은 고해상도 이미지에 대한 비교 실험을 통해 가상 염색 모델의 특이성이 더욱 검증되었습니다.실험 결과, 짝을 이루지 않은 샘플의 스펙트럼 특성은 짝을 이룬 결과의 스펙트럼 특성과 상당히 다르고, 짝을 이룬 저해상도 및 고해상도 이미지의 색상 히스토그램 유사성은 짝을 이루지 않은 샘플의 색상 히스토그램 유사성보다 상당히 우수한 것으로 나타났습니다. 이는 모델이 조직 화학 염색의 고유한 색상 특성을 재현하는 능력을 검증한 것입니다.

질량 분석 이미지 채널 수

질량 분석 이미징 채널 수가 가상 염색 모델의 성능에 미치는 영향을 조사하기 위해, 본 연구에서는 채널 수에 따른 염색 전략을 비교했습니다. 연구팀은 고정된 테스트 데이터 세트를 기반으로 다양한 IMS 채널 수를 갖는 일련의 가상 염색 모델을 평가했습니다. 이 모델들은 363개, 91개, 23개의 IMS 채널을 가지고 있었는데, 이는 원래 1,453개 채널에 비해 각각 4배, 16배, 64배 감소한 수치입니다. 각 채널 감소에 대해 실험은 세 가지 다른 선택 전략을 평가했습니다.

* 신호 대 잡음비 우선 전략: 1,453개 채널을 신호 대 잡음비에 따라 내림차순으로 정렬하고 순위가 가장 높은 채널을 선택합니다.
신호 대 잡음비: 채널의 모든 픽셀의 평균/표준 편차입니다.

* 주파수 우선 전략: 각 채널의 이온 이미지에 대해 2차원 푸리에 변환을 수행하고, 고주파 성분의 평균 전력과 저주파 성분의 비율을 계산하고, 이 비율에 따라 내림차순으로 채널을 선택합니다.

* 균일 샘플링 전략: 첫 번째 채널부터 시작하여 고정된 간격으로 채널을 선택합니다. 예를 들어, 4배 감소의 경우 4번째 채널마다, 16배 감소의 경우 16번째 채널마다, 64배 감소의 경우 64번째 채널마다 채널을 선택합니다. 각 전략에 의해 선택된 채널 세트는 해당 모델의 학습 및 테스트 과정 전체에서 일관되게 유지됩니다.

평가 결과는 다음과 같습니다.사용된 IMS 채널 수가 1,453개에서 23개로 감소함에 따라 세 가지 전략에 따른 가상 염색 모델의 성능이 떨어졌고 핵 형태와 같은 주요 특징이 크게 손실되었습니다.본 연구에서는 피크 신호 대 잡음비, 학습된 지각 이미지 패치 유사도(LPIPS) 및 피어슨 상관 계수를 사용하여 테스트 세트에 대한 정량적 분석을 수행하고 이를 검증했습니다.가상 염색 모델의 정확도는 채널 수가 증가할수록 크게 향상됩니다.

또한, 세 가지 채널 선택 전략 중,신호 대 잡음비 우선 전략과 비교했을 때, 주파수 우선 전략과 균일 샘플링 전략은 모두 상당한 성능 이점을 보여줍니다.채널 수가 적을 경우 가상 염색 모델이 주요 분자 정보를 더 효과적으로 보존할 수 있다는 것이 검증되었습니다.

가상 컬러링 모델의 출력 분산을 줄이기 위한 노이즈 샘플링

확산 모델 기반 가상 염색에서 역확산 과정 중 잡음 샘플링의 무작위성은 출력 결과 변동의 주요 원인이 됩니다. 본 연구에서는 출력 결과 변동을 해결하기 위해 모델 미세 조정이 필요 없는 잡음 샘플링 엔지니어링 전략을 제안했습니다. 역확산 종료 시 잡음 분산의 급증을 방지함으로써, 동일한 미표지 조직 시야에서 가상 염색 결과의 일관성이 향상되었습니다. 연구팀은 훈련된 브라운 브리지 모델을 기반으로 세 가지 샘플링 방법을 비교했습니다.

* 바닐라 샘플링: 표준 역 확산 공정; 

* 평균 샘플링: 엔지니어링된 출구 지점 이후의 노이즈 경로의 평균을 구합니다.

* 스킵 샘플링: 프로젝트 종료 지점 이후에 노이즈 제거 네트워크를 통해 고해상도 명시야 이미지의 대상 이미지 도메인을 직접 예측합니다. 

엔지니어링 종료점은 확산 모델의 역생성 과정에서 인위적으로 설정된 중요한 시간 임계값입니다. 출력 결과의 무작위 변동을 억제하기 위해 노이즈 샘플링 경로에서 무작위 샘플링과 결정론적 계산 전략 간을 전환하는 데 사용됩니다.

본 연구에서는 세 가지 샘플링 방법을 모두 다섯 번 반복하고, 반복된 가상 염색 과정 간의 픽셀 분산 계수를 계산하여 일관성을 평가했습니다. 기존 방법과 비교했을 때, 평균 샘플링과 점프 샘플링 전략 모두 샘플링된 가상 염색 이미지의 분산을 효과적으로 감소시켰습니다.

또한, 연구진은 테스트 이미지의 레이블이 지정되지 않은 조직 영역에 있는 모든 픽셀의 평균 픽셀 분산 값을 계산했습니다. 그 결과, 원래 샘플링 결과와 비교했을 때,평균 샘플링과 점프 샘플링 전략은 모두 효과적으로 출력 분산을 낮출 수 있으며, 이 전략에 따른 확산 기반 가상 염색 공정이 반복 가능하다는 것을 증명합니다.

동시에 점프 샘플링 전략은 평균 샘플링 방법에 비해 더 낮은 평균 변동 계수 값을 생성합니다.그러나 평균 샘플링 전략은 염색된 조직 단면의 고해상도 이미지와 더 높은 지각적 유사성을 보여주는 결과를 생성하여 원하는 낮은 평균 학습된 지각 패치 유사성을 달성합니다.

이 연구는 또한 평균 샘플링 전략의 성능을 더욱 평가하기 위해 동일한 조직 영역에서 다양한 추론 테스트 결과를 평균화했습니다. 그 결과, 평균 샘플링 전략은 이미지 대비보다 높은 일관성을 우선시하는 시나리오에서만 더 강력한 성능을 보였습니다.

가상 염색 분석을 위한 새로운 패러다임

확산 모델에 기반한 가상 염색 기술은 무표지 조직 형태학 분석을 위한 새로운 패러다임으로 부상하고 있습니다. UCLA의 아이도간 오즈칸(Aydogan Ozcan) 연구팀은 이전에 확산 모델을 조직 염색과 통합하는 데 있어 수많은 획기적인 성과를 달성했습니다. 2025년 5월, 연구팀은 브라운 브리지 확산 모델을 사용하여 무표지 가상 조직 염색의 공간 해상도와 정확도를 향상시키고, 무표지 조직의 픽셀 단위 초고해상도 가상 염색을 수행함으로써 기존 딥러닝 기반 방법의 한계를 극복했습니다.

연구팀은 확산 모델 기반 이미지 추론 과정에 샘플링 기술을 통합하여 생성된 가상 염색 이미지의 분산을 크게 줄였습니다. 연구진이 픽셀 초고해상도 가상 염색 모델을 표지되지 않은 인간 폐 조직 샘플의 저해상도 자가형광 이미지에 맹검 적용했을 때, 해상도, 구조적 유사성, 그리고 인지 정확도 측면에서 기존 방식보다 지속적으로 우수한 성능을 보였습니다.그리고 4~5배 픽셀의 초고해상도를 성공적으로 달성했습니다.이 연구는 임상 진단 분야의 연구에 큰 잠재력을 지닌 새로운 길을 제시합니다.

해당 연구 결과는 "확산 모델을 이용한 라벨 없는 조직의 픽셀 초고해상도 가상 염색"이라는 제목으로 Nature Communications에 게재되었습니다.

서류 주소:

https://www.nature.com/articles/s41467-025-60387-z

가상 조직 염색 기술 분야에서 AI의 지속적인 발전으로 기존 조직화학 염색에 수반되는 번거로운 단계들이 단축되었습니다. 이러한 가상 염색 조직 이미지에서 발생할 수 있는 환각 및 아티팩트 발생 가능성을 해결하기 위해, 아이도간 오즈칸(Aydogan Ozcan) 연구팀은 가상 조직 염색 및 디지털 병리학을 위한 자율적인 품질 및 환각 평가 모델(AQuA)을 제안했습니다.

AQuA는 조직화학 염색의 실제 값을 얻을 필요 없이 조직화학 염색의 실제 값을 감지할 수 있습니다.이 시스템은 허용 가능한 가상 염색 조직 이미지와 허용 불가능한 가상 염색 조직 이미지를 감지하는 데 있어 99.81 TP3T의 자율적 정확도를 달성했으며, 인증된 병리학자의 수동 평가 결과와 98.51 TP3T의 일치를 달성했습니다.이 기술은 다양한 가상 및 조직화학 염색된 인체 조직 이미지에 걸쳐 폭넓은 적응성을 보여줍니다.

이 프레임워크는 가상 조직 염색의 신뢰성을 향상시키고 디지털 병리학 및 컴퓨터 영상 분야에서 이미지 생성 및 변환 작업에 대한 자율적인 품질 보증을 제공합니다. "가상 조직 염색 및 디지털 병리학에서 환각 감지를 위한 견고하고 확장 가능한 프레임워크"라는 제목의 연구 결과는 Nature Biomedical Engineering에 게재되었습니다.

서류 주소:

https://www.nature.com/articles/s41551-025-01421-9

가상 염색 기술을 넘어, 임상 진단 분야에서 AI 적용은 전례 없는 규모와 깊이로 확장되고 있습니다. AI 모델은 방대한 양의 의료 데이터를 효율적으로 통합하여 암과 같은 주요 질병에 대한 조기 위험 예측의 정확도를 높이고 있습니다. AI는 임상 효율성을 향상시키는 동시에 기존의 의료 평가, 의사 결정 및 치료 모델에도 점진적으로 변화를 가져오고 있습니다.