CAMIL: 전체 슬라이드 이미지에서 암 검출 및 서브타이핑을 위한 맥락 인지 다중 예제 학습

암 진단에서 조직 생검 절편의 시각적 검사는 핵심적인 역할을 하며, 병리의학자가 다양한 배율에서 절편을 분석하여 종양 세포와 그 하위 유형을 구별한다. 그러나 기존의 주의 기반 다중 예제 학습(MIL) 모델은 암 진단에서 전체 슬라이드 이미지(WSI)를 분석할 때 종양 영역과 인접한 타일 간의 맥락 정보를 무시하는 경우가 많아 오진을 초래한다. 이를 해결하기 위해 우리는 맥락 인지형 다중 예제 학습(CAMIL) 아키텍처를 제안한다. CAMIL은 WSI 내 타일 간의 종속성을 고려하기 위해 이웃 제약 주의 메커니즘을 도입하고, 맥락적 제약 조건을 사전 지식으로 통합하여 MIL 모델의 성능을 향상시킨다. 우리는 비소세포성 폐암(subtyping, TCGA-NSCLC) 및 림프절 전이 탐지(CAMELYON16 및 CAMELYON17)에 대해 CAMIL을 평가하였으며, 각각 테스트 AUC 값 97.5%, 95.9%, 88.1%를 기록하여 다른 최신 기술들보다 우수한 성능을 보였다. 또한 CAMIL은 진단 가치가 높은 영역을 식별함으로써 모델의 해석 가능성 또한 향상시킨다.