대장암은 세번째로 발생률이 높은 암으로 폐암 다음으로 사망률이 높은 위험한 암이라고 볼 수 있다. 그 중 본 논문에서 classification을 진행했던 CRA는 low grade와 high grade, nomal 세 개의 class가 있는데 이는 세포가 얼마나 잘 분화되었는지에 따라 나누어진다. 많은 연구에서 이러한 암의 등급을 정하기 위해서 patch 기반으로 학습이 이뤄졌으나, 대장암의 등급을 판단할 때 종양의 선형을 보고 판단하게 되는데 이는 이미지에 따라 patch 크기를 정의하는 과정에서 어려움이 있다. 또한 이미지의 해상도가 낮아져 진단 시 필요한 중요한 정보들을 잃을 수 있는 한계점이 존재한다. 따라서 논문에서는 세포의 정보와 세포의 상호작용을 설명할 수 있도록 그래프 형태로 이미지를 분석하였다.
본 논문에서는 node의 feature를 잘 추출하기 위해서 instance segmentation 수행 하였으며, 중복 제거를 위해 node sampling을 진행한 후에 cell과 cell의 상호작용인 edge 정의하는 과정으로 진행되었다. 이 중 핵 샘플링은 모든 node를 사용하는 것은 비효율적이기 때문에 대표 핵을 추출하기 위해 이루어졌고, 단순한 random sampling이 아닌 node에서 가장 먼 node를 a의 비율만큼만 추출하였다. 또한, edge는 유클리디안 거리가 작은 cell들은 상호작용할 가능성이 높기 때문에 knn을 사용해서 k 이웃 안에 들어간 node는 1의 값을, 나머지는 0의 값을 줘서 인접 행렬을 만들어주었다. 본 논문에서는 graphSAGE는 모든 노드에 대해 동일한 방식으로 임베딩을 aggregate하기 때문에 다양한 핵의 level을 봐야 하는 해당 task와는 적합하지 않아서 adaptive graphSage 사용하였는데 이 기법은 양방향 LSTM을 통해 forward와 backward를 진행하여 feature들의 중요도를 확인할 수 있다.
대장암 뿐만 아니라 연구실에서 해결해야 하는 유방암 데이터셋에도 충분히 적용가능할 것으로 생각되어 논문에서 제안한 기법들을 보다 세부적으로 확인해볼 필요가 있다는 생각이 든다.