조직병리학에서 암 비율 추정을 위한 다중 인스턴스 학습(MIL) 회귀 적용 방법

사용자의 접근 방식이 타당하다는 의견이 주를 이루며, 구체적인 아키텍처 변경 방법과 관련 연구 방향에 대한 관심이 나타났다.

• Attention-based MIL의 마지막 분류 레이어를 Linear 레이어로 교체하고 MSE(Mean Squared Error) 손실 함수를 사용하여 학습시킨다.
• DINOv2 가중치를 고정(Frozen)한 상태에서 MIL 어그리게이터만 먼저 학습시켜 베이스라인 성능을 확보한다.

다중 인스턴스 학습(MIL)

— 데이터를 개별 샘플이 아닌 묶음(Bag) 단위로 학습하는 방식이다. 조직병리 이미지처럼 거대한 데이터를 작은 타일로 나누어 처리할 때, 전체 슬라이드의 상태를 예측하는 데 필수적인 기법이다.

디노v2(DINOv2)

— 메타에서 개발한 자기지도학습 기반의 비전 트랜스포머 모델이다. 별도의 레이블 없이도 이미지의 고차원 특징을 효과적으로 추출하여 다양한 의료 영상 분석 작업에 활용된다.

특징 추출기(Feature Extractor)

— 입력 데이터에서 학습에 유용한 핵심 정보를 수치 벡터 형태로 뽑아내는 구성 요소이다. 여기서는 DINOv2가 이미지 타일을 분석 가능한 데이터로 변환하는 역할을 수행한다.

회귀 헤드(Regression Head)

— 모델의 마지막 출력층에서 연속적인 수치를 예측하도록 설계된 구조이다. 분류 작업의 클래스 확률 대신 암의 비율과 같은 구체적인 양적 수치를 산출하는 데 사용된다.