Cello: A Universal Cell-wise Feature Aggregation framework for Reliable Pathology Images Analysis

Motivation

• Known: 기존 computational pathology 파이프라인은 WSI를 patch 단위로 tiling하여 patch embedding을 추출하고 이를 aggregation하는 patch-first 전략을 사용하며, 최근에는 대규모 pretraining 기반 pathology foundation model(UNI, CONCH 등)과 MIL 기반 weakly supervised WSI classifier가 diagnosis/prognosis 예측에서 좋은 성능을 보이고 있다.
• Gap: patch-level abstraction은 병리학자가 사용하는 cell-centric 진단 근거(미세 병변, 핵 이형성, tumor budding 등)를 희석시키며, cell/nucleus-centric 방법들은 추가적인 supervision(핵 마스크, 세포 유형)과 gigapixel 규모에서의 확장성 문제를 겪는다. 또한 기존 방법들은 local task와 global task를 통합적으로 지원하지 못하고, attention heatmap과 같은 post-hoc 설명은 실제 모델 결정 과정에 충실하지 않다는 신뢰성 문제가 존재한다.
• Why: cell 수준 근거를 gigapixel 규모의 WSI 모델링에 실용적으로 통합하면서도 다양한 암종과 진단 목표(local/global)를 하나의 프레임워크로 지원하고, 모델 결정 과정과 정합된 신뢰성 있는 근거를 제공하는 것은 computational pathology의 임상 적용 가능성을 크게 높일 수 있는 핵심 과제이기 때문이다.
• Approach: Cello는 H&E–mIF paired supervision으로 cell-wise 표현을 학습하고 이를 patch 요약으로 aggregation하는 cell-first route를 따르며, 확장 가능한 prototype bank를 통한 local contrastive 모듈과 gated-attention MIL 기반 global aggregation을 cell–local–global decision-route consistency objective로 정렬시킨다.

Achievement

Figure 2. Patch-level Gleason pattern classification accuracy on

1. 성능 향상: 수백~수천 개의 샘플만으로 학습했음에도 수만 개 샘플로 pretraining된 SOTA pathology foundation model 대비 3.0%~7.6%의 성능 향상을 달성했다.
2. cell-first paradigm 도입: 핵 유형이나 pixel-level mask 없이도 cellular 근거를 gigapixel WSI 모델링에 주입하여 micro-lesion 및 미세 세포 변화에 대한 민감도를 향상시켰다.
3. 범용적·확장 가능한 프레임워크: prototype bank를 확장 가능한 인터페이스로 사용하여 backbone 재설계 없이 다섯 개 암종에 걸친 이질적인 local/global 진단 목표를 지원한다.
4. 신뢰성 있는 decision route 구축: prototype 기반 근거로 slide-level aggregation을 보정하고 cross-level consistency 제약으로 attention, semantic matching, 최종 결정을 정렬하여 해석의 충실성을 개선했다.

How

Figure 1. Overview of Cello. (A) With paired H&E–mIF slides, we extract per-cell protein signals from mIF and train a Ce

• H&E–mIF paired 슬라이드에서 per-cell 표현을 protein-signal 지도로 학습하고 cross-scale token interaction을 통해 patch summary로 aggregation
• local task를 위한 확장 가능한 prototype-based contrastive module 도입 (prototype bank 확장을 통해 backbone 재설계 없이 task-adaptive local semantics 지원)
• global task를 위한 weakly supervised gated-attention MIL로 patch evidence를 slide-level 예측으로 aggregation
• cell–local–global decision-route consistency objective를 통해 prototype-derived evidence로 global aggregation을 보정하고 local semantics와 global outcome을 정렬
• 5개 암종, 다중 task granularity(cell/local/global)에 걸친 classification, subtyping/grading, localization 관련 분석으로 종합 평가

Originality

• patch-first 패러다임에서 벗어나 cell 표현을 먼저 학습하고 이를 WSI 모델링에 주입하는 cell-first paradigm을 제안, 핵 마스크나 세포 유형 라벨 없이 protein-signal(mIF) supervision만으로 cell-level cue를 확보
• 단일 granularity(instance-to-slide)에 국한되던 기존 interpretable MIL과 달리 cell-local-global 세 단계에 걸친 decision-route consistency objective를 명시적으로 도입해 cross-scale 정합성을 강제
• prototype bank를 확장 가능한 인터페이스로 설계하여 여러 암종과 task에 backbone 재설계 없이 plug-and-play 방식으로 적용 가능한 범용성 확보

Limitation & Further Study

• H&E–mIF paired 데이터의 확보 자체가 제한적일 수 있어, 이러한 paired supervision이 없는 환경에서의 일반화 가능성에 대한 추가 검증이 필요하다.
• 다섯 개 암종에 대한 평가로 범용성을 주장하고 있으나, 더 다양한 암종과 대규모 외부 코호트에서의 검증이 필요하다.
• decision-route consistency objective의 계산 비용 및 학습 안정성에 대한 상세한 분석이 본문 발췌에서는 충분히 드러나지 않는다.
• 발췌 내용만으로는 protein-signal supervision을 얻기 위한 mIF 데이터 처리 파이프라인의 세부사항과 그에 따른 실질적 배포 비용이 명확하지 않다.

Evaluation

총평: cell-centric 근거를 gigapixel 규모의 WSI 모델링에 실용적으로 통합하고 local-global task를 통합적으로 지원하며 신뢰성 있는 근거 정렬 메커니즘까지 갖춘 잘 설계된 프레임워크로, 적은 학습 데이터로도 대규모 foundation model을 능가하는 성과가 인상적이다.