라벨링된 데이터의 부족은 종양학 분야에서 심층 학습(deep learning) 기반 바이오마커 개발을 제한합니다. 본 연구에서는 유방암 환자의 선행항암요법에 대한 병리학적 완전 관해(pCR)를 예측하는 2단계 AI 모델(model)을 개발했습니다. 첫 번째 단계는 32개 암종에 걸친 8,742명의 환자 데이터를 활용하여 조직병리학 이미지로부터 전사체를 학습하며, 이는 병리학자 검토와 측정된 발현량과의 공간적 일치도를 통해 입증되었습니다. 이를 통해 두 번째 단계는 추론(inference)된 발현량과 임상 변수로부터 pCR을 예측하는 것으로 단순화됩니다. 1,080명의 환자(5개 코호트)를 통해 개발되고 1,412명의 환자(9개 코호트)에서 평가된 이 모델은 풀링된 AUROC 0.79(95% CI, 0.73-0.85)를 달성하며 분자 아형 내에서 반응군을 변별합니다. 본 모델은 조직병리학적 바이오마커보다 우수한 성능을 보이며, 종양 내 표본 추출 전반 및 최소한의 생검 조직만으로도 안정성을 유지합니다. 제거 연구(ablation) 결과, 전사체 전반의 추론이 임상 변수 단독 또는 1단계 병리 모델 대비 변별력을 향상시키고 유전체 분석의 유전자 선택 제약을 피함으로써 견고성을 확보함을 보여줍니다. 이러한 결과는 생물학적 정보를 반영한 압축 방식이 정밀(precision) 종양학의 데이터 희소 응용 분야로 일반화될 수 있음을 시사합니다.
배경: 투명세포 신세포암(ccRCC)은 상당한 임상적 이질성을 보이며, 위험 계층화 및 치료 계획 수립을 위해서는 정확한 등급 평가가 필수적이다. 그러나 기존의 등급 평가는 침습적인 조직 채취를 필요로 한다. 본 연구에서는 비침습적인 CT 기반 ccRCC 등급 예측을 개선하기 위해 학습(training) 중 쌍을 이룬 조직병리학 및 컴퓨터 단층촬영(CT) 데이터를 활용하는 교차 모달 대조 학습(cross-modal contrastive learning) 프레임워크인 RCC-Align을 개발했다. 방법: RCC-Align은 대조 교차 모달 목적함수를 통해 쌍을 이룬 전체 슬라이드 조직병리학 이미지(WSI)와 CT 스캔을 정렬하여 미시적인 조직 형태학으로부터 거시적인 방사선학적 표현으로 등급 판별 정보를 전달한다. 이 프레임워크는 환자 수준의 5겹 교차 검증(validation)을 사용하여 쌍을 이룬 TCGA 및 CPTAC 코호트에서 학습 및 평가되었다. 저등급 대 고등급 ccRCC 분류(classification) 성능을 CT 전용 베이스라인(DINOv2-Base 및 DINOv2-Finetuned)과 WSI 기반 참조 모델(model)(GigaPath-Finetuned)과 비교했다. 교차 모달 정렬은 코사인 유사도 분석을 사용하여 평가되었다. 결과: RCC-Align은 0.601의 AUC(95% CI, 0.524-0.673) 및 0.599의 AUPRC(95% CI, 0.541-0.676)를 달성하여 유의하게 향상된 저등급 예측 성능(p = 0.004)과 함께 DINOv2-Finetuned(AUC 0.545, AUPRC 0.543)를 능가했다. 또한 RCC-Align은 베이스라인과 비교하여 더 강력한 쌍 WSI-CT 임베딩(embedding) 정렬을 보였다. WSI 기반 GigaPath 참조 모델은 0.719의 AUC를 달성했다. 결론: 병리학 유도 대조 학습은 추론(inference) 시 CT만 필요로 하면서도 CT 기반 ccRCC 등급 분류를 개선한다. 이러한 접근법은 생검이 안전하지 않거나 불가능하거나 종양 내 이질성으로 인해 제한될 때 조직 진단을 보완할 수 있다. 임상적 적용 전 외부 테스트를 포함한 더 크고 다기관인 코호트에서의 검증이 필요하다.
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.
대장암(CRC)은 전 세계에서 세 번째로 흔한 암이며, 2022년 보고 기준 약 1,926,425건의 신규 발생과 904,019건의 사망으로 암 관련 사망의 두 번째 주요 원인이다. 정확한 조직학적 등급 분류는 대장선암의 예후 및 치료 계획에 중요한 역할을 한다. 최근 몇 년간 인공지능과 머신러닝, 심층 학습 등 그 하위 분야가 자동화된 암 검출 및 분류에 점점 더 많이 활용되고 있다. 적절하고 잘 구성된 데이터셋은 이 목표를 달성하기 위한 필수적인 첫 단계이다. 본 논문은 214명의 대장선암 환자로부터 얻은 1,914장의 이미지로 구성된 조직병리학 현미경 이미지 데이터셋 CRC-HGD를 소개한다 (Grade I: 106, Grade II: 75, Grade III: 33). 표본은 이란 이스파한 의과대학 Poursina Hakim Research Center에서 2014년부터 2019년 사이 진단된 H&E 염색 대장 조직 절편이며, 세계보건기구(WHO) 기준에 따라 세 가지 등급으로 분류되었다: 고분화(well-differentiated, Grade I), 중등도 분화(moderately differentiated, Grade II), 저분화(poorly differentiated, Grade III). 각 표본에 대해 4가지 배율이 제공된다: 4x, 10x, 20x, 40x. 데이터셋은 Mendeley Data(https://doi.org/10.17632/yfp5sfj47m.4) 및 http://databiox.com을 통해 접근할 수 있으며, 최신 버전도 후자에서 이용 가능하다. 이 데이터셋의 독특한 특징은 세 가지 분화 등급 전반에 걸쳐 여러 배율에서 라벨이 지정된 표본을 제공함으로써, 대장암 등급 분류에 대한 포괄적인 계산 분석을 가능하게 한다는 점이다.
위장 장상피화(GIM)는 위 이형성증 및 선암의 전구 병변으로, 발암 연쇄 과정에 개입하기 위해서는 조기 발견이 매우 중요하다. 인공지능(AI)은 GIM의 실시간 내시경 검출 및 특성화(characterization)에 상당한 잠재력을 지니고 있다. 그러나 신뢰할 수 있는 AI 모델 개발은 상세한 내시경 주석, 조직학적 아형(완전형 및 불완전형), 표준화된 등급 체계, 정상 점막 패턴을 함께 포함하는 공개적으로 이용 가능하고 조직병리학적으로 검증된 데이터셋의 부재로 제약을 받아 왔다. GIM-ENDO는 이러한 공백을 메우기 위해 설계되었다. 이 데이터셋은 Olympus EVIS X1 시스템을 사용하여 백색광 내시경(WLE) 및 영상 강화 내시경(IEE)—협대역 영상(NBI) 및 확대 NBI(M-NBI)를 포함—으로 수집한 인구통계학적 데이터, 내시경 소견, 조직병리학적 결과, H. pylori 상태, 그리고 24명의 환자(22명 GIM 양성, 2명 정상 대조군)로부터의 이미지 및 비디오 클립으로 구성된다. 주석은 6가지 주요 IEE 내시경 징후—light blue crest(LBC), marginal turbid band(MTB), white opaque substance(WOS), TV pattern(Fusion), 위축(atrophy), map-like erythema(MLE)—을 포함하며, 추가로 2가지 내시경 소견(AHP 및 GA)이 해당되는 경우 기록된다. GIM 아형(완전형 및 불완전형)은 모든 GIM 양성 사례에 대해 주석이 달려 있으며, 완전한 조직학적 샘플링이 가능했던 경우 OLGA 및 OLGIM 병기가 제공된다. 데이터셋은 https://doi.org/10.5281/zenodo.20707267 에서 공개적으로 이용할 수 있다. 이 데이터셋에 대한 최신 업데이트 및 추가 정보는 DataBioX 웹사이트(https://databiox.com)를 참조하라. 본 연구의 축약판은 MICCAI 2026 Open Data Track에 투고되었다.
전립선암 조직병리학에서 Gleason Score는 whole-slide image 내에서 가장 빈번한(Primary) Gleason 패턴과 두 번째로 빈번한(Secondary) Gleason 패턴으로 결정된다. 이러한 슬라이드 수준 레이블은 임상에서 일반적으로 이용 가능하지만, 인스턴스 수준 Gleason 주석은 거의 제공되지 않아 패치 수준 학습을 어렵게 만든다. 본 연구는 슬라이드 수준 Primary 및 Secondary 레이블로부터 인스턴스 수준 Gleason 패턴을 추정하는 다중 인스턴스 학습(MIL) 프레임워크를 제안한다. 제안 방법은 인스턴스 예측을 클래스 개수로 집계하고 Primary 패턴, Secondary 패턴 및 그 지배성을 명시적으로 모델링함으로써 Gleason Score의 임상적 정의에 따라 인스턴스 수준 학습을 공식화한다. 실험 결과, 제안 공식화가 효과적인 인스턴스 수준 학습을 가능하게 하며 SICAP-MIL 데이터셋에서 기존 MIL 접근법들을 능가함을 보여준다.
병리학 파운데이션 모델은 계산 병리학(computational pathology) 분야의 가능성을 크게 발전시켰지만, 성능, 견고성(robustness), 계산 요구사항 측면의 트레이드오프가 남아 있어 임상 배포를 제한했다. 본 보고서에서는 Atlas 2, Atlas 2-B, Atlas 2-S 세 가지 병리학 비전 파운데이션 모델을 제시한다. 이 모델들은 80개의 공개 벤치마크에 걸친 포괄적 평가에서 최첨단 예측 성능, 견고성, 자원 효율성을 보여줌으로써 이러한 단점을 해소한다. 우리 모델은 Charité - Universitätsmedizin Berlin, LMU Munich, Mayo Clinic 세 의료 기관에서 수집한 550만 장의 조직병리학 전체 슬라이드 이미지(histopathology whole slide image)로 구성된, 지금까지 최대 규모의 병리학 파운데이션 모델 데이터셋으로 학습되었다.
임상 메타데이터, 조직병리학 영상, 분자 프로파일을 포함한 이질적 생의학 데이터의 통합은 질병에 대한 포괄적 이해에 필수적이다. 그러나 유전자 발현 데이터 획득은 높은 비용과 프라이버시 우려로 인해 여전히 제약을 받고 있어, 멀티모달 연구 및 AI 기반 응용에서의 활용을 제한한다. 우리는 조직병리학 영상과 임상 메타데이터에 조건을 걸어 생성적 적대 신경망(GAN)으로 유전자 발현 프로파일을 생성하는 새로운 프레임워크인 MultiModal Molecular Generation(M$^3$-Gen)을 제안한다. M$^3$-Gen은 대조 학습(contrastive learning)을 활용하여 임상 변수와 영상으로부터 통합 잠재 표현을 학습하고, 두 모달리티의 임베딩을 이용해 생물학적으로 일관된 유전자 발현 프로파일을 생성하는 생성 모델을 유도한다. TCGA 데이터셋에 대한 평가는 M$^3$-Gen이 현실적이고 기능적으로 의미 있는 유전자 발현 데이터를 생성함을 보여준다. 중요하게도, 어텐션 기반 메커니즘으로 여러 모달리티를 통합함으로써 M$^3$-Gen은 내재적 설명 가능성을 제공한다: 특정 유전자 발현 프로파일 생성에 조직병리학 영상의 어떤 영역이 가장 강하게 영향을 미쳤는지 식별할 수 있게 하며, 모델의 결정을 설계상 해석 가능하게 만든다.
암 진단 중 병리학자의 시각적 어텐션 할당은 whole-slide image(WSI)에서 추출되는 정보를 결정적으로 형성하는 매우 선택적인 과정이다. 인간의 어텐션은 분류 및 분할(segmentation)과 같은 의료 영상 작업에 도움이 되며, 보고서 생성을 위해 진단적으로 유익한 영역을 식별하는 강력한 의미론적 단서가 된다. 본 논문에서는 병리학자 보고서 생성 모델의 학습에 인간 어텐션을 도입한다. 이를 위해 Gleason 패턴 등 임상적으로 관련 있는 5가지 구성 요소에 대해 병리학자의 구두 설명 및 커서 움직임과 동기화된 다중 스케일 뷰포트 궤적로 주석이 달린 121개의 전립선 WSI로 구성된 다중모달 인간-어텐션 데이터셋을 수집했다. 이 데이터셋을 사용하여, 이미지 패치에 대한 모델 어텐션을 병리학자 어텐션의 분포와 일치하도록 정규화하는 어텐션 정렬 손실로 두 개의 보고서 생성 모델을 파인튜닝한다. 전립선암 보고서 생성 및 시각적 질의응답(visual question answering)에서, 서로 다른 내부 어텐션 메커니즘(즉, 이미지 토큰이 언어 디코더에 통합되는 방식)을 갖는 두 모델을 사용하여 접근법을 평가한다. 실험 결과, NLP 기반 지표에서 평균 10.9%, 임상적으로 관련 있는 5가지 보고서 구성 요소 전반에 걸쳐 정확도에서 19.3%의 향상을 보였다. 또한 최소한의 계산 오버헤드로 추론 시 추출한 모델 어텐션 맵은 병리학자 어텐션과 더 밀접하게 정렬되어, 출력에 가장 큰 영향을 미치는 영역을 강조함으로써 생성된 보고서에 더 강력한 시각적 지원을 제공한다.
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.
전체 슬라이드 이미지(WSI)는 조직 수준 및 세포 수준의 풍부한 정보를 제공하지만, 고배율 병리 데이터를 저장하고 전송하는 것은 자원 집약적이다. 또한 WSI에 픽셀 단위 주석을 다는 작업은 노동 집약적이고 시간이 많이 소요된다. 따라서 제한된 주석(즉, 픽셀 수준 레이블 대신 이미지 수준 레이블)을 가진 저배율 병리 이미지가 고배율 이미지와 비교 가능한 성능을 달성할 수 있는지 연구하는 것이 중요하다. 본 논문은 다양한 저해상도 저장 설정 하에서 약지도 조직병리학적 이미지 분할에 관한 체계적인 벤치마크 연구를 제시한다. 고해상도 이미지 패치에서 출발하여 저배율 입력을 시뮬레이션하고, 약지도 분할 파이프라인을 적용하기 전에 보간법과 심층 학습 기반 복원 방법을 사용하여 원래 크기로 재구성한다. 이 프레임워크는 약지도 방법이 다양한 수준의 해상도 저하에 어떻게 반응하는지를 정량적으로 평가할 수 있게 한다. 실험 결과, 복원 품질 지표만으로는 다운스트림 이미지 분할 성능을 예측하기에 불충분함을 보인다. 특히, 본 연구는 소규모 구조물의 위치 파악 능력이 급격히 저하되는 임계 열화 지점을 식별한다. 이러한 발견은 신뢰할 수 있는 자동화 분석을 유지하면서 효율적인 디지털 병리 저장 시스템을 설계하기 위한 실용적인 지침을 제공한다. 코드는 https://github.com/Dung-Dx/LowMagWSS 에서 확인할 수 있다.
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.
의료 영상 이해에서 텍스트 기반 도구 조합의 한계를 극복하기 위해, 비전-언어 모델(VLM)이 임상적으로 관련된 도구를 선택하고 학습된 Tool Bottleneck Model(TBM)이 신경망으로 도구 출력값을 융합하는 Tool Bottleneck Framework(TBF)를 제안한다. 조직병리학 및 피부과 과제에서 TBF는 데이터가 제한된 환경에서 특히 기존 딥러닝 분류기 및 최신 도구 활용 프레임워크와 동등하거나 우수한 성능을 보이면서 해석 가능성도 향상시켰다.
조직병리학 다중 기관 배포 시 발생하는 도메인 시프트 문제를 해결하기 위해, 분류기와 정규화 네트워크의 가중치를 변경하지 않고 테스트 시간에 염색 템플릿만 학습하는 Data Alchemy 프레임워크를 제안한다. CAMELYON 16 데이터셋의 종양 분류 실험에서 설명 가능한 염색 정규화만으로 AUPR이 0.545에서 0.710으로 향상되었고, 테스트 시간 데이터 보정을 추가 적용하면 0.852까지 개선되었다.
조직병리학에서 비전-언어 모델(VLM)의 문맥 내 학습(ICL) 시 예시 선택의 불안정성과 환각 문제를 해결하기 위해, 학습이 필요 없는 코어셋 선택 방법인 GAUC를 제안한다. GAUC는 사전학습된 멀티모달 임베딩 공간에서 Maximum Mean Discrepancy 기반 분포 대표성, EMID 기반 프롬프트 강건성, 예측 불확실성(엔트로피) 최소화를 공동 최적화하며, CRC-100K와 MHIST 벤치마크에서 그래디언트 업데이트 없이 최강 기준선과 동등한 정확도를 달성하면서 보정, 프롬프트 강건성, 환각률을 크게 개선했다.
헤마톡실린 & 에오신(H&E) 염색은 일상적인 진단 워크플로우의 주요 진입점을 구성하므로, 전체 슬라이드 H&E 이미지를 활용한 컴퓨터 보조 진단은 임상적으로 특히 중요하다. 그러나 검체 준비, 염색 프로토콜 및 스캐닝 조건의 상당한 변동성과 전문가 픽셀 수준 어노테이션의 내재적 불확실성으로 인해 H&E 염색 이미지의 자동화 분석은 어렵다. 본 연구에서는 각 조직병리 이미지가 단일 암 유형에 해당한다는 임상적으로 동기화된 가정에 기반한 이미지 수준 진단을 위한 시맨틱 세그멘테이션 기반 프레임워크를 제안한다. 이미지 수준 예측은 세그멘테이션 출력에서 지배적인 픽셀 수준 레이블의 클래스를 할당함으로써 획득된다. 임상적 관련성을 보장하기 위해 nnU-Net 아키텍처를 채택하고, 본 연구에서 수집한 공개 데이터셋으로 세 가지 간암 유형에 대한 픽셀 수준 어노테이션을 사용하여 학습하였다: 간세포암종(HCC; 30명 환자의 55개 이미지), 담관세포암종(CCA; 29명 환자의 55개 이미지), 대장 전이성 선암종(CMA; 30명 환자의 60개 이미지). 어노테이션은 4명의 병리학자가 독립적으로 제공하였다. 우리는 염색 정규화와 시맨틱 세그멘테이션의 조합이 도메인 시프트를 완화하고 어노테이션 노이즈에 대한 민감도를 감소시킨다고 가설을 세운다. 5-폴드 교차 검증 결과 균형 정확도 0.975(HCC), 0.950(CCA), 1.000(CMA)을 달성하였으며, 이는 면역조직화학 염색으로 얻은 결과와 비교 가능하고 패치 수준 어노테이션으로 학습된 여러 심층 학습 모델보다 우수하다. 제안된 프레임워크는 병리학자가 면역조직화학 마커 선택을 우선순위화하는 데 지원할 수 있는 가능성을 지니며, 이를 통해 진단 비용과 처리 시간을 절감할 수 있다. 면역조직화학 소견과의 통합은 전반적인 진단 신뢰성을 향상시킨다.
Expert-annotated training data remains the critical bottleneck for AI in histopathology, particularly for rare pathologies where even dozens of cases may be unavailable. While data augmentation offers a solution, existing methods fail to generate sufficiently realistic lesion morphologies that preserve tissue-specific architectures. Here we present PathoGen, a diffusion-based generative model enabling controllable, high-fidelity lesion inpainting into benign histopathology images. We validate PathoGen across four datasets representing kidney, skin, breast, and prostate pathology. Quantitative assessment confirms PathoGen outperforms state-of-the-art baselines in image fidelity and distributional similarity. Evaluation by six expert pathologists revealed that synthetic images by PathoGen were only marginally distinguished from real tissue image slightly above chance (57.75% accuracy), demonstrating strong perceptual realism of PathoGen-generated lesions. PathoGen achieved the highest win rate (35.4%) when pathologists ranked generation quality against all baselines. Crucially, augmenting training sets with PathoGen-synthesized lesions improves segmentation Dice scores by up to 0.18 compared to traditional augmentations, with maximum benefit in data-scarce regimes. By simultaneously generating realistic morphology and pixel-level annotations, PathoGen effectively addresses both data scarcity and annotation cost, two critical bottlenecks in computational pathology development.
병리학 임상 워크플로우에서 이미지와 텍스트가 혼합된 실제 쿼리를 처리하기 위해, 기존 듀얼 인코더의 구조적 불일치와 다중모달 대규모 언어 모델(MLLM)의 태스크·도메인 불일치를 동시에 해결하는 모델-agnostic 적응 프레임워크 HOMIE를 제안한다. 새롭게 도입한 PCR(Pathology Composed Retrieval) 벤치마크에서 2B 파라미터의 경량 HOMIE 변형이 특화된 7B 병리 MLLM과 듀얼 인코더를 크게 상회하는 성능을 달성했다.
심층 학습은 고처리량 병리조직학 이미지 분석에서 뛰어난 성과를 보여주었다. 그러나 학습 기반 모델의 성능은 전문 병리의가 수행하는 주석의 품질과 규모에 크게 의존하며, 이는 자원 집약적이고 시간이 많이 소요되는 과정이다. 데이터 부족과 주석 부담이라는 한계를 해결하기 위해, 짝을 이루는 병리조직학 데이터를 합성하는 여러 방법이 제안되었다. 그럼에도 이러한 프레임워크는 일반적으로 학습 중 구조적 제약을 부과하기 위해, 비록 양은 줄더라도 여전히 주석 데이터를 필요로 한다. 본 연구에서는 CHIS를 제안한다. CHIS는 사전학습된 확산 모델의 샘플링 궤적을 두 가지 핵심 단계—시작 시 구조적 초기화와 생성 중 텍스처 변조—를 통해 안내하는 플러그인 프레임워크이다. 초기 노이즈 상태는 주파수 영역에서 사전 마스크의 위상(phase) 정보와 가우시안 노이즈의 진폭(amplitude)을 융합하여 정교화되며, 이를 통해 구조적으로 정보가 반영된 시작점을 얻는다. 역방향 확산 과정 동안, 서로 다른 웨이블릿 분해 수준에서 거시적·미시적 텍스처를 모두 적응적으로 변조한다. 이를 통해 레이블 없는 이미지만으로 사전학습된 확산 모델이 참조 조직 스타일을 유지하면서 사전 구조 마스크와 일치하는 출력을 생성할 수 있다. 광범위한 실험을 통해 CHIS의 생성 충실도 우수성과 하류 분할 작업에 대한 상당한 이점을 입증하였다. 코드는 https://github.com/IBIL-Code/CHIS 에서 이용할 수 있다.
비소세포 폐암(NSCLC)에서 종양 비율 점수(TPS)를 정확하게 평가하는 것은 치료 계획과 예후 판정에 매우 중요하다. 주요 과제로는 각 슬라이드를 주석 처리하는 데 필요한 지루한 수작업과, 이 작업을 수행할 수 있는 인증 전문가 수의 제한이 있다. 다중 인스턴스 학습(MIL)은 슬라이드 수준에서 TPS 점수를 예측하는 데 효과적인 접근으로 입증되었지만, 기존 방법은 비표현적(non-expressive)(제로 클래스) 이미지에서 어려움을 겪는다. 우리의 접근법은 두 가지 모델로 구성된다: (1) 개별 패치의 조직병리학적 특징을 포착하는 임베딩 추출 및 다중 클래스 분류 네트워크, (2) 이러한 임베딩을 집계하여 전체 슬라이드에 대한 전반적인 TPS 확률 분포를 나타내는 영-팽창 베타(zero-inflated beta, ZIBeta) 매개변수를 예측하는 MIL 모델. 슬라이드 수준 TPS 점수만 레이블로 사용하여, 이 end-to-end 프레임워크가 새로운 분포 기반 아키텍처를 활용해 예측 정확도와 설명 가능성(explainability)을 어떻게 향상시킬 수 있는지 보여준다. ZIBeta 모델링은 분포 집중(distribution concentration)을 통해 기대되는 정확도를 포착하면서 기준선 선형 회귀와 릿지(ridge) 회귀를 크게 능가한다.