arXiv:2610.01813v1 cs.AI

AI 보조 유사분열 계수를 통한 여러 종양 유형에서의 재현성 및 효율성 향상

AI-assisted mitotic counting improves reproducibility and efficiency across multiple tumour types

Simon Graham, Mostafa Jahanifar, Quoc Dang Vu, Vygante Maskoliunaite, Donatas Petroska, Ruta Barbora Valkiuniene, Ayat Gamal Lashen, Jen Hong Ong, Amede Ogechi Nnorom, Sinclair Couper, Natasha Kardasz, Reshma Agrawal, Brinder Singh Chohan, Jose Luis Solorzano Rendon, Shonali Natu 외 3명

제출 2026-10-01

한국어 초록

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.

원문 초록

Mitotic counting is an important component of tumour grading, diagnosis and prognostic assessment across several tumour types, but manual assessment is time-consuming and subject to inter-pathologist variability. To help address these challenges, we developed MitPro, an AI tool designed to improve consistency and efficiency by directing pathologists towards regions with the highest predicted mitotic activity and highlighting mitotic figures for review, while retaining pathologist control over region selection and the final count. We evaluated its effect on the reproducibility and efficiency of mitotic counting in a retrospective, non-interventional, paired reader study comprising 385 whole-slide images from 3 centres in 3 countries and 7 tumour types using 3 different scanners. 13 pathologists participated, with each slide assessed independently by 3 pathologists without AI assistance and again with AI assistance after a minimum 2 week washout period. Across all slides, AI-assisted counting increased the intraclass correlation coefficient from 0.589 to 0.949. Mean pathologist-level median assessment time decreased from 286.4 to 127.8 seconds, corresponding to an average saving of 151.8 seconds per assessment. Improvements in agreement and efficiency were also observed in supporting analyses using HALO AP and Sectra image management systems and in 2 additional tumour types outside the main study population. AI-assisted assessment was associated with a subtle shift towards higher mitotic counts and scores, consistent with identification of more active mitotic hotspots and fewer missed mitotic figures. The frequency of score change between unassisted and AI-assisted assessment was comparable with inter-pathologist variation during routine counting. These findings support the use of MitPro as an assistive tool for more consistent and efficient mitotic assessment in routine practice.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.01813v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.36407v2cs.CV공통 태그 Medical Image Analysis, computational pathology, whole-slide imaging

무엇이 고배율 지식을 전이 가능하게 만드는가? 전슬라이드 이미지에서의 해상도 간 지식 증류 연구

What Makes High-Magnification Knowledge Transferable? A Study of Cross-Resolution Distillation in Whole-Slide Imaging

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.

arXiv:2607.09526v1cs.CV공통 태그 Medical Image Analysis, computational pathology, whole-slide imaging

ALICE: 비전, 비전-언어, 슬라이드 수준 전문가로부터 학습한 범용 병리학 파운데이션 모델

ALICE: Learning a General-Purpose Pathology Foundation Model from Vision, Vision-Language, and Slide-Level Experts

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.

arXiv:2609.27710v3cs.CV공통 태그 Medical Image Analysis, computational pathology

FFM-CP: 퓨샷 계산병리학을 위한 비전-언어 기반 모델의 교차 백본 융합

FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology

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.

arXiv:2609.35943v2cs.CV공통 태그 Medical Image Analysis, computational pathology

HERO: 종양학 분야의 강건한 표현 학습을 위한 조직병리학 인코더

HERO: Histology Encoder for Robust Representation in Oncology

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.

arXiv:2609.28231v1cs.CV공통 태그 Medical Image Analysis, computational pathology

센터 편향은 전파되는가? 전체 슬라이드 이미지 분류에서 병리 파운데이션 모델의 강건성

Do Center Biases Propagate? Robustness of Pathology Foundation Models in Whole-Slide Image Classification

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.

arXiv:2609.24736v1cs.CV공통 태그 Medical Image Analysis, computational pathology

MiTHras: 유사분열상 분석을 위한 작업 특화 계층적 준지도 대조 마스크드 오토인코더

MiTHras: Task-specific Hierarchical Semi-supervised Contrastive Masked Autoencoder for Mitotic Figure Analysis

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.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.