리서치 연구
종양학 병리 이미지 분석을 위한 견고한 인코더 'HERO' 개발
HERO: Histology Encoder for Robust Representation in Oncology
arXiv종양학 분야의 병리 이미지 분석을 위해, 다양한 환경 변화에도 강한 'HERO' 인코더가 개발되었습니다.
세 줄 요약
- 평가 결과, HERO는 스캐너나 염색 프로토콜 변화 등 여러 변이 조건에서 기존 모델 대비 가장 높은 견고성을 보였으며, 39개 임상 과제 평균 최고 순위를 기록했습니다.
- 기존 AI가 실제 병원 환경의 장비나 데이터 변화에 취약했던 한계를 극복하여, 안전하고 신뢰도 높은 임상 현장 적용 가능성을 크게 높였습니다.
- 이 모델은 약 57만 건의 대규모 전장 슬라이드 이미지(WSI)와 DINO, iBOT 학습 목표를 활용하여 개발되었으며, 공공 임상 과제에서 성능이 검증되었습니다.
대규모 병리 이미지 코퍼스로 학습된 파운데이션 모델은 계산 병리학 분야에서 강력하고 전이 가능한 표현력을 제공한다. 그러나 이러한 모델들이 실제 임상 환경의 스캐너, 염색 프로토콜 등 훈련 데이터 외부의 변수에 적용될 경우 오류가 발생할 수 있다. 이에 연구진은 이러한 문제를 해결하기 위해 HERO(Histology Encoder for Robust Representation in Oncology)를 개발했다. 이 ViT-G/14 기반 모델은 DINO 및 iBOT 학습 목표로 훈련되었으며, 약 575,000개의 임상 전장 슬라이드 이미지에서 추출한 5억 개의 타일로 구성된 형태학적으로 균형 잡힌 코퍼스에서 되었다.
평가 결과에 따르면, HERO는 비교된 최신 파운데이션 모델들 중 중심부(center), 스캐너, 염색 변이 조건에 대해 가장 높은 견고성을 보였다. 또한 타일 수준 분류, 분할 및 유전자 발현 예측 등에서 유사한 성능을 나타냈으며, 총 39개의 평가된 슬라이드 수준 임상 과제에서 평균 최고 순위를 기록했다. 이는 기존 AI 모델들이 실제 병원 환경의 장비나 데이터 변화에 취약했던 한계를 극복했음을 보여준다.
용어 풀이
- 미세 조정
- 이미 학습된 모델을 특정 목적의 데이터로 조금 더 학습시키는 일.