정말로 아티팩트인가요? 조직학적 이미지에서 아티팩트 탐지 및 불확실성 정량화

현대의 암 진단은 의심되는 부위에서 조직 표본을 채취하고, histotechnical 절차를 통해 디지털화된 유리 슬라이드인 전체 슬라이드 이미지(Whole Slide Image, WSI)를 제작하여 후속 검사를 수행하는 방식을 포함한다. 이러한 절차는 얻어진 WSI에 다양한 종류의 아티팩트를 유발할 수 있으며, 만약 이를 제거하거나 적절히 처리하지 않으면, 이후 진단 파이프라인 내에서 계산병리학(Computational Pathology, CPATH) 시스템에 영향을 미칠 수 있다. 최근 딥 컨볼루셔널 신경망(Deep Convolutional Neural Networks, DCNNs)은 일부 WSI 아티팩트 탐지에서 희망적인 성과를 거두었지만, 예측에 대한 불확실성을 반영하지 못하는 한계가 있다. 본 논문은 흐릿한 영역과 접힌 조직이라는 두 가지 유형의 아티팩트를 탐지하기 위해 불확실성 인식형 딥 커널 학습(Deep Kernel Learning, DKL) 모델을 제안한다. 제안된 확률적 모델은 CNN 기반의 특징 추출기와 희소 가우시안 프로세스(Gaussian Processes, GPs) 분류기를 결합하여, 현재 최고 수준의 아티팩트 탐지 DCNN 모델의 성능을 향상시키고, 예측에 대한 불확실성 추정을 가능하게 한다. 검증 데이터에 대해 흐림 탐지와 접힌 조직 탐지의 각각 F1 스코어는 0.996과 0.938을 달성하였다. 다양한 외부 독립 코호트에서 얻은 다른 염색 방식과 조직 유형을 가진 미전체 데이터에 대한 광범위한 실험을 통해 DKL 모델이 DCNN 모델보다 우수한 성능을 입증하였다. 흥미롭게도, DKL 모델은 올바른 예측에 대해 더 높은 자신감을 보이고, 잘못된 예측에는 더 낮은 자신감을 나타내었다. 제안된 DKL 모델은 CPATH 시스템의 전처리 파이프라인에 통합되어 신뢰할 수 있는 예측을 제공할 수 있으며, 품질 관리 도구로서의 활용 가능성도 제시한다.