대규모 전체 슬라이드 이미지 표현을 위한 마스킹된 특징 인코딩
Masked Feature Encoding for Large-Scale Whole Slide Image Representation
컴퓨터 병리학에서 전체 슬라이드 이미지(WSI) 분석은 패치 임베딩을 독립적으로 추출하고 슬라이드 수준 예측을 위해 집계하는 다중 인스턴스 학습(MIL) 파이프라인을 따르지만, 염색, 스캐너 및 국소적 질감으로 인한 슬라이드 내 분산이 판별 신호를 압도할 수 있습니다. 본 논문에서는 경량 MLP 어댑터를 윈도우 기반 마스킹 재구성 브랜치 및 MIL 분류(classification) 헤드와 함께 공동으로 학습시키는 특징 공간 마스킹 프레임워크인 MFE-MIL(Masked Feature Encoding for Multiple Instance Learning)을 제안합니다. 이 두 목적 함수는 상호 보완적입니다. 분류는 어댑터가 슬라이드 내 패치 분산을 억제하도록 유도하는 반면, 윈도우 기반 마스킹 재구성은 패치 좌표, 좌표 그래프 또는 분할 전처리 없이 적응된 특징(feature)에 대한 보조 정규화 역할을 합니다. 래스터 패치 추출 순서는 약한 암시적 사전 정보로만 사용됩니다. 추론(inference) 시에는 디코더가 제거되어 어댑터와 MIL 헤드만 남습니다. 4개의 서로 다른 인코더를 사용한 CAMELYON16/17, PANDA, TCGA-BRCA 전반에서 MFE-MIL은 테스트된 거의 모든 집계기-인코더 설정에 대해 ACC/F1을 향상시키고 대부분에서 AUC를 개선하며, 좌표 기반 공간 방식(CAMIL)을 능가하고, 4개 데이터셋 중 3개(UNI)에서 2DMamba보다 높은 AUC를 달성합니다. 5개의 TCGA 생존 코호트에서는 테스트된 모든 집계기에 대해 평균 일치도 지수(concordance index)를 개선하여 가장 일관된 성능 향상을 보였습니다. 코드는 https://github.com/AtlasAnalyticsLab/MFE-MIL 에서 확인할 수 있습니다.