스나피: 효율적인 전체 슬라이드 이미지 분류기

디지털 병리학에서 전체 슬라이드 이미지(WSI) 분류에 대한 다중 예제 학습(MIL)은 상당한 계산적 도전 과제에 직면해 있다. 기존의 방법들은 만족스러운 성능을 얻기 위해 광범위한 자기지도 학습(SSL)에 크게 의존하며, 이는 긴 학습 기간과 막대한 계산 자원을 요구한다. 동시에 자연 이미지에서 WSI로의 도메인 전이로 인해 사전 학습 없이 성능 저하가 발생하는 문제가 있다. 본 연구에서는 희소 트랜스포머 기반의 새로운 MIL 풀링 구조인 Snuffy 아키텍처를 제안한다. 이 구조는 제한된 사전 학습에서도 성능 저하를 완화하고, 지속적인 소수 샘플 사전 학습을 가능하게 하여 경쟁력 있는 대안이 될 수 있다. Snuffy의 희소성 패턴은 병리학에 특화되어 있으며, 현재까지 희소 트랜스포머의 계층 수에 대해 가장 날카로운 확률적 날카로운 경계를 이론적으로 입증한 보편 근사자로서의 성질을 갖는다. 제안된 방법은 CAMELYON16 및 TCGA 폐암 데이터셋에서 효과성을 입증하며, WSI 및 패치 수준에서 뛰어난 정확도를 달성하였다. 코드는 https://github.com/jafarinia/snuffy 에 공개되어 있다.