병리학 비전-언어 기반 모델은 질환과 과제에 따라 성능이 달라지며, 어떤 단일 모델도 일관되게 최고 성능을 내지 못한다. 전문가 병리 주석의 높은 비용은 과제별 적응에 사용할 수 있는 라벨 데이터를 제한하기도 한다. 상호 보완적인 사전학습 표현을 결합하는 것은 이러한 한계에 대한 잠재적 접근이지만, 소수의 라벨 예시로부터 효과적인 융합을 학습하는 것은 여전히 어렵다. 본 연구는 퓨샷 학습 설정에서 여러 병리학 비전-언어 모델을 결합하는 프레임워크인 Few-shot Fusion Foundation Models of Computational Pathology(FFM-CP)를 제안한다. 이 프레임워크는 먼저 대응하는 서포트 이미지로부터 추정한 폐형식(closed-form) 직교 프로크루스테스(Orthogonal Procrustes) 변환을 사용하여 이질적인 표현을 정렬한다. 이 정렬은 추가 정렬 네트워크를 학습하지 않고도 모델 내부 특징 기하를 보존한다. 정렬된 공간 안에서 통합 그래프는 서포트 이미지 특징과 시각·텍스트 클래스 프로토타입을 공동으로 정제함으로써 백본 간 정보 교환을 가능하게 한다. 이렇게 정제된 표현은 의미적 클래스 지식과 클래스 내 시각적 변이를 각각 포착하는 상호 보완적인 텍스트-프로토타입 분기와 케이스 검색(case-retrieval) 분기를 지원한다. 각 분기는 모든 순서화된 백본 쌍의 예측을 결합하는 방법을 학습하여, 한 모델로 인코딩된 쿼리가 다른 모델이 표현한 증거를 활용할 수 있게 한다. 우리는 6개의 조직병리학 데이터셋에서 클래스당 4, 8, 16샷 조건으로 3가지 백본 조합을 평가했다. FFM-CP는 54번 비교 중 50번에서 각 융합 집합의 개별 적응 멤버 중 가장 강한 모델보다 더 높은 평균 macro-F1을 달성했다. 이러한 결과는 주석이 제한될 때 상호 보완적인 사전학습 표현의 결합이 조직병리학 분류를 개선할 수 있음을 시사한다.
Current virtual staining approaches offer the potential for time- and cost-efficient biomarker quantification in cancer diagnostics and prognostics. However, patch-wise inference for gigapixel whole-slide images fails to maintain spatial continuity, yielding artifacts that cause catastrophic mismatches with ground-truth images. Although pathology Vision Foundation Models (VFMs) offer rich representations, their self-attention causes varying global contexts to produce inconsistent embeddings for the same physical region. We formalize and validate this "context contamination" as a sheaf-theoretic problem where these embeddings form a presheaf whose sections disagree on overlaps, so no global section restricts to them. To address this, we propose SheafStain, a new approach that reinterprets VFM features as sheaf-like sections for spatially and biologically coherent virtual staining. Specifically, SheafStain integrates class and patch tokens into a Schr\"odinger Bridge framework as sheaf-like sections. While the class token anchors biological consistency, patch tokens form a per-position spatial map. A feature space from a single VFM encoder pretrained on Hematoxylin \& Eosin and Immunohistochemistry supervises both input conditioning and output stain alignment. Departing from prior work that evaluates on isolated $256 \times 256$ patches and either random-crops or resizes the $1024 \times 1024$ ground truth, we translate at $256 \times 256$ and evaluate on the stitched $1024 \times 1024$ outputs across HER2, ER, PR, and Ki-67. SheafStain demonstrates promising results against six prior methods while mitigating patch-boundary stitching artifacts. Code is available at https://github.com/deepnoid-ai/SheafStain.
대규모 병리학 이미지 말뭉치로 학습된 파운데이션 모델(foundation model)은 이제 전산병리학(computational pathology)을 위한 강력하고 전이 가능한 표현을 제공합니다. 지난 몇 년간 이러한 모델들이 잇달아 공개되었으며, 각 모델은 이전 모델보다 더 많은 슬라이드로 학습되었습니다. 표준 분류 및 분할(segmentation) 벤치마크에서 선도적인 모델들 간의 격차는 이제 매우 미미한 수준입니다. 그러나 임상 현장에서는 파운데이션 모델이 학습 데이터에 포함되지 않은 병원, 스캐너 및 염색 프로토콜에서 생성된 이미지에 적용됩니다. 인코더는 일반적으로 생물학적 정보와 함께 이러한 획득 요인(acquisition factor)들을 함께 임베딩하며, 이는 다운스트림 오류를 유발하고 안전한 임상 도입을 저해할 수 있습니다. 따라서 병리학 파운데이션 모델은 표현 품질을 유지하면서도 데이터 획득 변화(acquisition shift)에 강건해야 하지만, 강건성은 모델 간 비교에서 거의 고려되지 않는 기준이었습니다. 본 보고서에서는 DINO 및 iBOT 목표로 학습되고, 약 575,000개의 임상 전체 슬라이드 이미지(WSI)에서 추출한 형태학적으로 균형 잡힌 5억 개의 타일 말뭉치에서 고해상도 그람 앵커링(Gram anchoring)으로 정제된 ViT-G/14 병리학 파운데이션 모델인 HERO(Histology Encoder for Robust Representation in Oncology)를 소개합니다. 평가된 공개 벤치마크 전반에서 HERO는 비교된 최고 수준(state-of-the-art)의 파운데이션 모델 중 기관, 스캐너 및 염색 변화에 대해 가장 강력한 강건성을 보였습니다. 또한 타일 수준의 분류, 분할 및 유전자 발현 예측에서 필적하는 성능을 달성했으며, 평가된 39개 슬라이드 수준 임상 작업 전반에서 평균 1위를 기록했고, 동일 가중치 프레임워크 수준 분석에서도 6개 벤치마크 프레임워크 전반에 걸쳐 가장 우수한 평균 순위를 기록했습니다.
유사분열 계수(mitotic counting)는 여러 종양 유형에서 종양 등급 분류, 진단 및 예후 평가의 중요한 구성 요소이지만, 수작업 평가는 시간이 많이 소요되며 병리학자 간 편차가 발생하기 쉽습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 병리학자가 영역 선택 및 최종 계수에 대한 제어권을 유지하면서도 가장 높은 유사분열 활성이 예측되는 영역으로 병리학자를 안내하고 검토 대상 유사분열 상(mitotic figure)을 강조 표시하여 일관성과 효율성을 높이도록 설계된 AI 도구인 MitPro를 개발했습니다. 3개국 3개 센터에서 3종의 서로 다른 스캐너로 수집한 7개 종양 유형의 전슬라이드 이미지(WSI) 385장을 포함하는 후향적, 비중재적, 짝지은 판독자 연구(paired reader study)를 통해 유사분열 계수의 재현성과 효율성에 미치는 영향을 평가했습니다. 13명의 병리학자가 참여했으며, 각 슬라이드는 AI 보조 없이 3명의 병리학자가 독립적으로 평가한 후, 최소 2주의 휴약기(washout period)를 거쳐 AI 보조를 받아 다시 평가되었습니다. 전체 슬라이드에 걸쳐 AI 보조 계수는 급내 상관계수(ICC)를 0.589에서 0.949로 증가시켰습니다. 병리학자 수준의 평균 평가 시간 중앙값은 286.4초에서 127.8초로 감소하여 평가당 평균 151.8초의 절감 효과를 보였습니다. 일치도 및 효율성의 개선은 HALO AP 및 Sectra 영상 관리 시스템을 활용한 보조 분석과 주요 연구 대상 집단 외 2가지 추가 종양 유형에서도 관찰되었습니다. AI 보조 평가는 더 활성도가 높은 유사분열 핫스팟 식별 및 누락되는 유사분열 상의 감소와 일치하게 유사분열 계수 및 점수가 약간 더 높아지는 변화와 연관되었습니다. 보조가 없는 평가와 AI 보조 평가 간의 점수 변화 빈도는 일상적인 계수 작업 중 병리학자 간 편차와 비슷한 수준이었습니다. 이러한 결과는 일상 진료에서 보다 일관되고 효율적인 유사분열 평가를 위한 보조 도구로서 MitPro의 활용을 지지합니다.
해상도 간 지식 증류(cross-resolution knowledge distillation)는 고배율 표현을 전이하여 저배율 전슬라이드(whole-slide) 분석을 개선하는 것을 목표로 하지만, 유용한 전이가 일어나는 조건은 여전히 불분명합니다. 본 연구에서는 교사 접근성(teacher access), 표현 손실(representation loss), 모델 과잉(model excess)에 대한 분해 기반 분석을 개발하고, 세 가지 질문을 제시합니다: (a) 교사 타깃이 과제에 도움이 되는지, (b) 저배율 학생 모델이 이를 예측할 수 있는지, (c) 슬라이드 모델이 해당 예측으로부터 이점을 얻는지 여부입니다. 우리는 분류, 병기 분류(grading), 생존 예측에 걸친 10개의 병리 코호트에 대한 통제된 실험을 통해 이를 조사합니다. 주요 비교 결과, 고유한 저배율 특징과 함께 교사의 영역별 평균을 제공하는 것은 10개 코호트 전체에서 다운스트림 성능을 향상시켰습니다. 직접 예측은 잔차 예측보다 낮은 재구성 오차를 달성하지만, 예측된 특징은 교사 타깃의 변동성을 과소표현합니다. 더욱이 재구성이 더 잘된다고 해서 다운스트림 점수가 일관되게 향상되지는 않으며, 예측된 교사 특징이 일정하게 유지되는 경우에도 고유 특징을 유지하는지 여부에 따라 성능이 달라집니다. 종합적으로 이러한 발견은 교사 표현을 재구성하는 것과 그것의 다운스트림 가치를 실현하는 것 사이의 간극을 드러냅니다. 이는 해상도 간 전이의 척도로서 재구성 오차의 충분성에 의문을 제기하며, 전이가 어디에서 실패하는지 검토하기 위한 진단 프레임워크를 제공합니다. 향후 증류 설계는 학생 모델이 무엇을 예측할 수 있는지와 슬라이드 모델이 이러한 예측을 어떻게 활용하는지를 모두 고려해야 합니다.
병리 파운데이션 모델(PFM)은 조직병리 이미지로부터의 강력한 표현 학습을 통해 컴퓨터 병리학(computational pathology) 분야를 혁신해 왔습니다. PFM은 전체 슬라이드 이미지(WSI) 분석을 위한 풍부하고 판별력 있는 표현을 제공하여, 다중 인스턴스 학습(MIL) 기반의 슬라이드 수준 분류와 같은 작업을 가능하게 합니다. 그러나 이러한 표현은 데이터 획득 센터와 관련된 비생물학적 신호까지 함께 인코딩할 수 있어, 다운스트림 예측에 잘못된 지름길(spurious shortcuts)을 유발할 잠재적 위험이 있습니다. 본 연구에서는 크라메르 V(Cramér's V)로 정량화된 클래스-센터 간 상관관계를 점진적으로 증가시키는 통제된 학습 환경을 사용하여 WSI 분류에서의 센터 관련 강건성을 평가합니다. 4개 데이터셋과 2개의 MIL 애그리게이터에 걸쳐 6개의 PFM을 벤치마크하는 동시에, 강건화 전략으로서 ComBat을 평가합니다. 나아가 크라메르 V 곡선하면적(AUCC)을 도입하여, 절대적인 분류 성능과 허위 상관관계(spurious correlation) 증가에 따른 성능 저하를 함께 포착합니다. 실험 결과, PFM에 의해 인코딩된 센터 관련 정보가 WSI 수준의 예측으로 전파되며, 강건성은 PFM 표현과 MIL 집계 전략 모두에 의존하는 것으로 나타났습니다. 또한 ComBat 조화(harmonization) 기법은 데이터셋 전반에 걸쳐 일관된 강건성 향상을 제공하지 못했습니다.
유사분열상(MF, mitotic figure) 분석은 종양 등급 판정과 예후 평가를 뒷받침하지만, 자동화 모델은 조직 유형과 영상 획득 방식의 차이에 여전히 민감하다. 본 논문은 의사 레이블(pseudo-label) 기반의 이미지 및 토큰 수준 대조 학습(contrastive learning)과 마스크드 복원(masked reconstruction)을 결합한 작업 특화 사전학습(pretraining) 프레임워크인 MiTHras를 제안한다. 우리는 11개 장기 부위에 걸친 14개 TCGA 코호트에서 추출한 세포 중심 이미지 180만 장으로 구성된 코퍼스인 TCGA-MF-Pseudo를 구축한다. MF 분류(classification), 검출(detection), 개수 기반 생존 예측, 아형 분류에 대한 포괄적 평가를 통해 MiTHras의 효과를 입증한다. MiTHras는 세 가지 MF 분류 벤치마크 전부와 두 가지 아형 벤치마크 모두에서 가장 높은 평균 F1을 달성한다. 또한 MiTHras는 전체 미세조정(fine-tuning) 상황보다 인코더를 고정한 선형 프로빙(linear probing) 상황에서 범용 및 병리 파운데이션 인코더 대비 더 큰 마진(margin)으로 우수한 성능을 보인다. 검출 성능 향상은 후보 검출 단계를 공유하는 구조로 인해 다소 제한적이지만, 절제 실험(ablation)을 통해 토큰 수준 지도(supervision)가 전형-비전형(typical-versus-atypical) 분류와 선형 프로빙을 향상시킨다는 것이 확인된다. 이러한 결과는 MiTHras가 자동화된 유사분열 활성 평가를 위한 견고하고 전이 가능한 표현을 산출한다는 것을 입증한다.
PANDA, CAMELYON17, BRACS 세 가지 다중 소스 조직병리 데이터셋으로 마스킹 오토인코더(MAE)를 사전학습하는 ProsMAE 프레임워크를 제안하여, 인코더가 다양한 조직 형태 및 스캐너 조건에 노출되도록 설계하였다. 동결된 인코더와 선형 분류 헤드로 구성된 ProsCLS를 통해 ISUP 전립선암 등급 분류에 전이 시, 단일 소스 vanilla MAE 대비 평균 검증 QWK가 0.4084에서 0.4736으로 향상되었다.
Gene-expression profiling is widely used in research and central to many areas of precision oncology, but remains costly and not universally accessible. Recent advances in computational pathology enable prediction of transcriptomic profiles directly from hematoxylin and eosin (H&E)-stained whole-slide images (WSIs), although optimal modeling strategies and clinical relevance remain unclear. In this study, we systematically evaluate deep regression models for WSI-based gene-expression prediction across multiple regression formulations and pathology foundation models (PFMs), and assess whether the resulting predicted transcriptomic signals retain prognostic utility. Across four TCGA datasets, we find that direct regression using attention-based multiple instance learning together with PFM feature extractors provides a strong and computationally efficient baseline, with no consistent benefit from separately training multiple models on subsets of genes. We then externally validate the selected configuration on an independent cohort of 997 breast cancer patients, demonstrating robust generalization for clinically relevant gene sets such as PAM50. To assess clinical relevance, we further evaluate predicted gene-expression scores in two independent population-representative breast cancer cohorts comprising 4,172 patients with survival endpoints, where predicted scores retain prognostic value in both the full patient cohort and the ER+ & HER2- subgroup. Together, these results demonstrate that WSI-based gene-expression prediction can generalize across independent cohorts and recover biologically and clinically meaningful molecular structure, supporting its potential as a scalable approach for transcriptomic phenotyping and risk stratification.
자궁 질환은 부인과 병리학의 중요한 범주로, 진단 및 치료 계획 수립을 위해 정확한 조직병리학적 평가가 필요하다. 전체 슬라이드 이미지(WSI)는 병리학 워크플로우의 디지털 전환을 가능하게 하고 컴퓨터 병리학에서 인공지능(AI)을 위한 새로운 기회를 제공하였다. 특히, 조직병리학 이미지와 병리 보고서를 함께 분석하는 멀티모달 모델은 자동화된 병리 보고서 생성 및 AI 보조 진단에서 유망한 잠재력을 보여주었다. 그러나 이러한 시스템의 개발은 전체 슬라이드 이미지와 임상적으로 의미 있는 병리 보고서를 쌍으로 연결하는 데이터셋의 부족으로 인해 여전히 제한적이다. 기존 병리학 데이터셋은 단일 엔드포인트(예: 질환 분류)의 패치 또는 슬라이드 수준 어노테이션에 초점을 맞추고 있으며, 이는 완전한 임상 진단 워크플로우 보고서에 담긴 풍부한 정보를 충분히 반영하지 못한다. 본 논문에서는 3차 의료기관에서 수집된, 케이스 및 슬라이드 수준 모두에서 진단 병리 보고서와 쌍을 이룬 WSI로 구성된 자궁 병리학 데이터셋인 TUM-Uteria를 소개한다. 본 데이터셋은 216개의 임상 케이스로 구성되며, 455개의 슬라이드 수준 WSI-보고서 쌍을 포함한다. 데이터셋은 신뢰할 수 있는 어노테이션을 보장하기 위해 전문의 자격을 갖춘 병리학자들이 참여하는 구조화된 다단계 검증 절차를 거쳤다. TUM-Uteria는 전체 슬라이드 이미지 분석, 멀티모달 학습, 자동화된 병리 보고서 생성을 포함한 컴퓨터 병리학 연구를 지원한다.
다중 인스턴스 학습(MIL)은 계산 병리학에서 전체 슬라이드 이미지(WSI) 분석의 주된 패러다임이 되었다. 그러나 기존 MIL 집계기(aggregator)는 여전히 일반적으로 각 하류 과제마다 처음부터 학습되며, 제한된 슬라이드 수준 레이블에 의존하여 집계 메커니즘과 하류 판별 표현을 동시에 학습한다. 그 결과, 불안정한 최적화, 과적합, 제한된 전이 가능성을 자주 겪는다. 자연 이미지 학습의 사전학습된 ResNet 및 Vision Transformer(트랜스포머) 모델과 유사하게, MIL 역시 재사용 가능한 사전학습 초기화가 필요하다. 그러나 고품질 슬라이드 수준 사전학습 데이터는 여전히 부족하며, MIL 모델은 보통 경량이고 약지도(weakly supervised) 방식이어서 실제로 대규모 사전학습이 어렵다. 이 과제를 해결하기 위해, 우리는 MIL을 위한 증류 기반 사전학습 프레임워크를 제안하며, 슬라이드 수준 파운데이션 모델인 TITAN과 CARE 두 가지를 교사로 활용하여 그들의 표현 지식을 다양한 MIL 아키텍처로 전이한다. 서로 다른 교사들의 지도를 효과적으로 균형 맞추기 위해, 각도 분산 정규화 증류 손실을 추가로 도입한다. 증류된 가중치는 이후 하류 적응을 위한 초기화로 사용된다. 우리는 선형 프로빙(linear probing)과 전체 매개변수 미세조정 모두에 대해 15개 벤치마크 데이터셋에서 체계적 평가를 수행하고, 퓨샷(few-shot) 시나리오에서의 이점을 추가로 검증한다. 실험 결과, 사전학습이 일반적으로 처음부터 학습하는 것보다 MIL 집계기를 개선하며, 특히 선형 프로빙 및 퓨샷 설정에서 그렇고, 경량 MIL 모델의 계산 효율성은 유지한다. 코드는 https://github.com/fu0201/MIL_Pretrained 에서 이용할 수 있다.
약한 지도 학습 기반 전체 슬라이드 이미지(WSI) 분류는 밀집 영역 주석보다 슬라이드 수준 레이블을 얻기가 더 쉬워 계산 병리학(computational pathology)에서 널리 사용된다. 기존 다중 인스턴스 학습(MIL) 방법은 주로 시각적 단서를 이용해 대량의 패치 임베딩 bag을 집계하는데, 이 과정에서 정보가 적은 패치를 많이 남기고 인스턴스 특징과 클래스 수준 질병 의미론 간의 정렬(alignment)이 약해질 수 있다. 우리는 개념 유도 가지치기 및 표현 학습(CGRL)을 제안한다. 이는 질병 프롬프트에서 유도된 클래스 수준 개념 프로토타입을 MIL 파이프라인에 도입하는 단순한 프레임워크이다. 첫째, 개념 관련성 가지치기는 패치 인스턴스를 클래스 개념과의 유사도에 따라 순위를 매기고, 하류 MIL 집계를 위해 상위 K개의 개념 관련 패치를 유지한다. 둘째, 개념 유도 대조 표현 학습은 동일한 유사도 행렬로부터 클래스별 양성 및 음성 패치 집합을 구성하고, 대상 클래스, 대칭 보조, 교차 클래스 분리 목표를 최적화하여 투영된 개념 공간을 정규화한다. 우리는 여러 대표적인 MIL 방법을 사용해 TCGA-BRCA 및 TCGA-NSCLC에서 CGRL을 평가한다. 실험 결과, CGRL은 여러 모델-데이터셋 조합을 개선하며, 향상 정도는 하류 MIL 모델과 데이터셋에 따라 달라진다. 개념 관련성 가지치기를 통해 계산 비용을 줄이면서 정확도와 macro-F1에서 특히 뚜렷한 향상을 달성한다. 이 결과는 클래스 수준 의미 개념이 약한 지도 학습 계산 병리학에서 패치 선택과 표현 학습을 위한 효과적이고 실용적인 사전 지식(prior)을 제공함을 보여준다.
최근 계산 병리학을 위한 비전-언어 모델(VLM)들이 전체 슬라이드 이미지(WSI) 시각적 질의응답(VQA) 벤치마크에서 놀라운 제로샷 성능을 보고하고 있다. 이러한 주장을 감사한 결과, 두 가지 계층적 수준의 데이터 누수로 인해 근본적으로 훼손되었음을 발견했다: 환자 수준 누수—동일 사례의 슬라이드가 학습 및 테스트 폴드 모두에 등장하는 경우—와 기관 수준 누수—서로 다른 사례임에도 공통 Tissue Source Site(TSS)를 통해 염색 배치 및 스캐너 시그니처를 공유하는 경우. 주요 공개 자료에서 표준 슬라이드, 사례, TSS 식별자를 추적함으로써, TCGA 기반 벤치마크에서 92.3~100%의 사례 수준 학습-테스트 중복과 함께 거의 완전한 TSS 중복을 문서화했다. 또한 두 누수 수준 모두 파운데이션 모델 특징 공간에서 선형적으로 디코딩 가능함을, 공개된 체크포인트에서 누수된 사례와 감사를 통해 정제된 사례 간 측정 가능한 정확도 격차를 유발함을, 그리고 여러 공개 WSI VLM에서 보고된 최고 정확도가 가장 심하게 오염된 벤치마크에 집중됨을 추가로 입증한다. 따라서 현재의 WSI VQA 평가는 진정한 멀티모달 추론과 기억된 기관 및 환자 특이적 인공물에 대한 최근접 이웃 검색을 구별할 수 없다. 마지막으로, 오염 없는 평가를 위한 구체적 권고사항을 제시한다. 벤치마크 구축, 출처 공개, 자동화된 중복 감사를 다룸으로써, 향후 연구가 검증 가능한 진전 주장을 향하도록 안내하는 것을 목표로 한다.
헤마톡실린 및 에오신(H&E) 염색은 조직병리학의 근간이지만, H&E 전체 슬라이드 이미지(WSI)의 확장 가능한 정량적 분석은 계산 병리학에서 여전히 핵심적인 과제로 남아 있다. 우리는 Atlas 병리학 파운데이션 모델 계열을 기반으로 구축된 AI 기반 시스템인 Atlas H&E-TME를 제시한다. 이 시스템은 여러 암 유형에 걸쳐 조직 품질, 조직 영역, 세포 유형 레이블을 예측하며, 세포 수준 해상도에서 슬라이드당 4,500개 이상의 정량적 측정값을 산출한다. 이러한 시스템을 검증하는 데 있어 핵심 과제는 H&E 단독 정답(ground truth)에 내재된 형태학적 모호성과, 면역조직화학(IHC)과 같은 다른 모달리티를 활용하는 보다 정교한 참조 기준의 제한적인 확장성을 극복하는 것이다. 우리는 생물학적으로 근거한 깊이와 기술적·형태학적 폭을 결합한 이중 검증(dual validation) 프레임워크로 이를 해결한다. 깊이 측면에서, IHC 기반 다중 병리학자 합의 프로토콜을 제안하며, 이는 기존의 H&E 단독 어노테이션 방식 대비 평가자 간 일치도를 실질적으로 향상시킨다. 이를 통해 분자 수준으로 근거된 참조 기준을 구축하고, 이를 Atlas H&E-TME 및 H&E 단독으로 작업하는 병리학자와 비교한다. 폭 측면에서, 25개 이상의 출처와 8개 이상의 스캐너 모델에서 수집된 8가지 암 유형 및 가장 흔한 전이 부위에 걸친 1,500건 이상의 케이스로부터, 각 암 유형별 임상 케이스의 90% 이상을 커버하는 하위 유형을 포함한 200,000개 이상의 고신뢰도 H&E 단독 병리학자 어노테이션을 대상으로 Atlas H&E-TME를 벤치마킹한다. IHC 기반 합의를 기준으로 벤치마킹한 결과, Atlas H&E-TME는 병리학자의 H&E 단독 성능과 동등하거나 이를 능가하며, 이 광범위한 형태학적·기술적 범위 전반에 걸쳐 일관되고 견고하게 일반화된다. 이를 통해 Atlas H&E-TME는 병리학에서 가장 보편적인 데이터인 H&E 슬라이드를 종양 및 그 미세환경(TME)에 대한 확장 가능한 정량적 창으로 전환하며, 중개 및 임상 연구에서 차세대 조직 기반 바이오마커를 위한 기반을 마련한다.
심층 학습 기반 조직병리학 전체 슬라이드 이미지(WSI) 분할은 대량의 픽셀 수준 어노테이션을 필요로 하며, 이를 획득하는 데는 비용과 시간이 많이 소요된다. 능동 학습(AL)은 이러한 부담을 줄이기 위해 제안되었으나, 기존 방법들은 세 가지 핵심 한계를 지닌다. 부분적으로 어노테이션된 WSI에서 불확실성 추정이 신뢰하기 어렵고, 패치 수준 획득이 슬라이드 수준 어노테이션 워크플로와 일관성이 없으며, 다중 클래스 환경에서 클래스 불균형이 명시적으로 다루어지지 않는다. 이러한 문제를 해결하기 위해, 우리는 어노테이션 효율적인 다중 클래스 조직병리학 분할을 위한 환자 수준 AL 프레임워크인 SHAL(Slide-level Hybrid Active Learning)을 제안한다. SHAL은 세 가지 상호 보완적 구성 요소를 통합한다: 레이블이 없는 배경 영역으로부터의 바이어스를 억제하는 전경 인식 전략, 학습 단계에 걸쳐 예측 엔트로피와 인식론적 불확실성을 혼합하는 단계 적응형 메커니즘, 그리고 진단적으로 중요한 조직 클래스를 우선시하는 클래스 인식 전략. SHAL은 TCGA 대장암 데이터셋에서 평가된다. 전체 어노테이션 예산에서 가장 높은 Macro Dice(0.846)를 달성하며, 예산의 26%만으로(190개 슬라이드 중 50개) Dice 0.80 이상에 도달하는 반면, 경쟁 방법들은 37%(70개 슬라이드)에서야 이 임계값에 도달한다. 5개의 독립적인 외부 코호트 전반에 걸쳐 SHAL은 가장 높은 평균 외부 Macro Dice(0.815)와 모든 방법 중 가장 작은 내부-외부 일반화 격차(라운드 3에서 0.025, 전체 예산에서 0.026)를 달성한다. 결과는 환자 수준 하이브리드 불확실성 획득이 계산 병리학에서 도메인 간 일반화를 희생하지 않고 어노테이션 비용을 절감함을 보여준다.
파운데이션 모델은 전산 병리학을 재편하고 있지만, 그 역량은 사전학습 목표, 데이터 소스, 공간적 스케일에 따라 여전히 제한되며, 상호 보완적인 전문성이 별개의 백본에 분산되어 있다. 본 논문에서는 다단계 집합적 지식 증류(agglomerative distillation)를 통해 학습된 통합 파운데이션 모델 ALICE를 제안한다. ALICE는 8개의 비전 전용, 비전-언어, 슬라이드 수준 교사 모델을 단일 백본의 전용 모듈로 순차적으로 증류한다. ALICE는 24,985,184개의 타일 수준 병리 이미지와 155,604개의 고해상도 이미지로 사전학습되었으며, 관심 영역 조직 분석, 비전-언어 멀티모달 평가, 전체 슬라이드 임상 평가를 아우르는 21개 태스크 시나리오, 96개 다운스트림 태스크, 48개 데이터 소스에 걸쳐 평가되었다. 세 가지 평가 환경 모두에서 ALICE는 태스크 대응 병리학 파운데이션 모델 중 최고 평균 순위를 달성하였다. 이러한 결과는 집합적 지식 증류가 특화된 모델들의 상호 보완적 역량을 단일 백본으로 통합하여 광범위한 전산 병리학 응용에 활용할 수 있음을 입증한다. 모델은 https://github.com/WonderLandxD/ALICE에서 공개되어 있다.
MuCoDi(Multi-teacher Contrastive Distillation)는 Virchow2, UNI2, H-Optimus-1 등 여러 대형 병리학 파운데이션 모델(PFM)의 동결된 타일 임베딩을 MoCo v3 기반 대조 지식 증류(distillation) 목표로 경량 MobileOne·RepViT 학생 모델에 전달하는 사전학습 프레임워크다. RepViT 기반 MuCoEdge 학생 모델은 23개 임상 분류 태스크에서 최고 교사 모델(Virchow2, AUROC 71.8%)과 0.8%p 이내 성능을 유지하며, Raspberry Pi 5에서 Virchow2 대비 최대 605배 추론 속도를 달성해 병원 내 엣지 배포 가능성을 입증한다.
자율 계산 병리학(ACP)은 고수준 병리 분석 목표를 실행 가능하고 추적 가능하며 임상적으로 한정된 워크플로로 변환한다. 이 기능을 실현하려면 범용 에이전틱 하네스 시스템을 병리학 특화 태스크, 도구, 증거 기준 및 임상 주장 경계에 맞게 적응시켜야 한다. 본 연구에서는 기존 하네스 시스템을 계산 병리학 지원에서 ACP 워크플로 역량으로 전환하는 프레임워크인 ACP-Bench를 제안한다. ACP-Bench는 6개 신체 계통 그룹과 9개 엔드포인트 패밀리에 걸친 24개 바이오마커, 7개 형태학, 10개 예후 태스크를 포함한 총 41개 병리 워크플로 태스크를 평가한다. 본 벤치마크는 9개 모델과 3개 하네스 그룹(Claude Code, Codex, Open Code)을 평가하여 369개의 완전한 궤적을 생성한다. ACP-Bench는 전문가 감수 프로세스 감사, 진단 평가, 병리의사 검증 안전성 검토를 결합하여 워크플로 실행, 진단 성능, 임상 경계 정합성 측면에서 각 궤적을 평가한다. 평가된 시스템 전반에서 워크플로 개시, 태스크 해석, 진단 보고는 도구 종속적 실행, 결과 바인딩, 반성적 워크플로 수정보다 더 성숙한 수준을 보였으며, 공식적인 종단간 완료는 여전히 드물었다. ACP-Bench는 신뢰할 수 있는 임상 자율성에 대한 주장 이전에 에이전틱 시스템이 병리 워크플로를 운용화할 수 있는지 감사하기 위한 재사용 가능한 표준을 제공한다.
19개 병원 40,000명 이상의 환자로부터 수집한 51,000개 이상의 유방 전체 슬라이드 이미지(WSI)로 학습된 유방 병리 특화 기반 모델(PFM) BRIGHT를 제안하며, 협력적 제너럴리스트-스페셜리스트 프레임워크를 통해 범용적 특징과 장기별 특징을 동시에 포착한다. 진단, 바이오마커 예측, 치료 반응 및 생존 예측을 아우르는 25개 임상 태스크 평가에서 5개의 주요 제너럴리스트 PFM을 능가하며 내부 검증 전 과제에서 SOTA 성능을 달성했다.
세 곳 의료기관의 38개 장기를 포괄하는 8만여 장의 전체 슬라이드 이미지로 사전학습된 병리 파운데이션 모델(pathology foundation model) Hireca는 10개 바이오마커 과제 중 5개에서 최고 성능을 기록하였으며, 세포 수준의 예측 근거를 국소화하는 해석 가능성 모듈 CytoMap은 두 나라의 병리전문의 8명 평가에서 기존 시각화 방식보다 일관되게 선호되어 일상적인 HE 조직병리 기반의 임상 검토 가능한 바이오마커 평가 프레임워크로서의 가능성을 입증하였다.