컴퓨테이셔널 패스롤로지 시스템에 아티팩트 처리 파이프라인 장착: 계산 및 성능의 절충안 사례 연구

조직병리학은 현미경 검사를 통해 암 진단의 금준(gold standard)으로 여겨집니다. 그러나 조직 학적 처리 절차는 유물(artifacts)을 생성하며, 이는 유리 슬라이드의 디지털화된 버전인 전체 슬라이드 이미지(Whole Slide Images, WSIs)에 최종적으로 전달됩니다. 이러한 유물들은 진단과 관련이 없으며, 깊은 학습(Deep Learning, DL) 알고리즘의 예측 오류를 초래할 수 있습니다. 따라서, 계산 조직병리학(Computational Pathology, CPATH) 시스템에서 유물을 감지하고 제외하는 것이 신뢰성 있는 자동 진단을 위해 필수적입니다.본 논문에서는 손상된 조직, 흐림(blur), 접힌 조직(folded tissue), 공기 방울(air bubbles), 그리고 조직학적으로 관련 없는 혈액(histologically irrelevant blood) 등 5가지 주요 유물을 WSI에서 감지하기 위한 전문가 혼합(Mixture of Experts, MoE) 방안을 제안합니다. 먼저, 특정 유물 형태를 포착하기 위해 독립적인 이진 DL 모델들을 전문가로 훈련시킵니다. 그런 다음, 융합 메커니즘을 사용하여 이들의 예측 결과를 결합합니다. 최종 확률 분포에 확률적 임계값(probabilistic thresholding)을 적용하여 MoE의 민감도를 개선합니다.우리는 두 가지 MoE와 최신 딥 컨볼루션 신경망(DCNNs) 및 비전 트랜스포머(Vision Transformers, ViTs) 기반의 두 가지 다중 클래스 모델을 사용하여 DL 파이프라인을 개발했습니다. DCNNs 기반 MoE와 ViTs 기반 MoE 방안은 더 단순한 다중 클래스 모델보다 우수한 성능을 보였으며, 다른 병원과 암 종류의 데이터셋에서 테스트되었습니다. 여기서 DCNNs 기반 MoE가 가장 좋은 결과를 나타냈습니다. 제안된 MoE는 미처 보지 못한 데이터에서 86.15%의 F1 점수와 97.93%의 민감도 점수를 얻었으며, ViTs 기반 MoE보다 추론 시 더 적은 계산 비용을 유지합니다.이러한 MoE의 최고 성능은 다중 클래스 모델보다 상대적으로 높은 계산적 균형점(computational trade-offs)을 동반하지만, 제안된 유물 감지 파이프라인은 신뢰성 있는 CPATH 예측뿐만 아니라 품질 관리에도 기여할 것입니다.