TransMIL: 전체 슬라이드 이미지 분류를 위한 기반 Transformer의 상관 다중 예제 학습

다중 인스턴스 학습(MIL)은 전장 이미지(WSI) 기반 병리 진단에서 약한 지도 분류 문제를 해결하는 데 효과적인 도구이다. 그러나 기존의 MIL 방법들은 일반적으로 독립적이고 동일한 분포(i.i.d.) 가정에 기반하여, 서로 다른 인스턴스 간의 상관관계를 간과하고 있다. 이러한 문제를 해결하기 위해, 우리는 새로운 프레임워크인 '상관관계 기반 다중 인스턴스 학습(Correlated MIL)'을 제안하였으며, 수렴성에 대한 수학적 증명도 제공하였다. 이 프레임워크를 기반으로 형태학적 및 공간적 정보를 동시에 탐색하는 트랜스포머 기반 다중 인스턴스 학습(TransMIL)을 개발하였다. 제안된 TransMIL은 불균형/균형 및 이진/다중 분류 문제에 효과적으로 대응할 수 있으며, 뛰어난 시각화 능력과 해석 가능성도 갖추고 있다. 다양한 계산 병리학 문제에 대해 세 가지 다른 실험을 수행한 결과, 최신 기술 대비 더 높은 성능과 더 빠른 수렴 속도를 달성하였다. 특히 CAMELYON16 데이터셋에서 이진 종양 분류의 테스트 AUC는 최대 93.09%에 달했으며, TCGA-NSCLC 데이터셋과 TCGA-RCC 데이터셋에서 각각 암 서브타입 분류의 AUC는 최대 96.03%와 98.82%를 기록하였다. 구현 코드는 다음 링크에서 확인할 수 있다: https://github.com/szc19990412/TransMIL.