다중인스턴스 학습 기반 유방암 재발 위험 예측

초록

본 연구는 210명의 유방암 환자 전자현미경 이미지(WSI)를 이용해 5년 재발 위험을 3단계(저·중·고)로 분류하는 다중인스턴스 학습(MIL) 모델을 개발·비교하였다. 사전학습된 UNI와 CONCH 모델로 추출한 패치 특징을 입력으로 CLAM‑SB, ABMIL, ConvNeXt‑MIL‑XGBoost 세 가지 프레임워크를 구축했으며, 5‑fold 교차검증에서 CLAM‑SB가 평균 AUC 0.836, 정확도 76.2%로 가장 우수한 성능을 보였다.

상세 분석

이 논문은 임상에서 널리 사용되는 21‑gene Oncotype DX 점수를 ‘재발 위험 라벨’로 삼아, 전통적인 병리학적 판단과 연계된 이미지 기반 위험 예측 모델을 제시한다는 점에서 의미가 크다. 데이터셋이 210장에 불과한 소규모임에도 불구하고, 저자들은 두 가지 최신 비전 파운데이션 모델(UNI, CONCH)을 활용해 패치 수준의 고차원 특징을 추출함으로써 전이학습(transfer learning)의 장점을 극대화했다. UNI는 대규모 이미지 패치에 대한 자기지도 학습(DINOv2) 기반 ViT‑L/16 모델이며, CONCH은 이미지‑텍스트 쌍을 이용한 비전‑언어 모델로, 각각 시각적 패턴과 조직학적 의미를 포괄적으로 포착한다. 이러한 이중 특징 집합은 MIL 단계에서 인스턴스(패치) 간 중요도 가중치를 학습하는 데 유리하게 작용한다.

세 가지 MIL 구조 중 CLAM‑SB는 기존 CLAM에 ‘슬라이드‑바이‑슬라이드’ 클러스터링 제약을 추가해, 주의(attention) 메커니즘이 실제 병리학적으로 의미 있는 영역에 집중하도록 설계되었다. 수식에 나타난 gated attention은 두 개의 선형 변환과 시그모이드·탄젠트 하이퍼볼릭 함수를 결합해, 인스턴스별 가중치를 비선형적으로 조절한다. 이는 특히 잡음이 많은 패치(예: 빈 배경, 염색 결함)와 진단에 핵심적인 미세구조를 구분하는 데 효과적이다. ABMIL은 단순한 평균 풀링 대신 학습 가능한 어텐션을 적용했으며, ConvNeXt‑MIL‑XGBoost는 ConvNeXt 백본으로 특징을 추출한 뒤 XGBoost 기반 메타클래서를 사용해 전통적인 머신러닝과 딥러닝을 혼합한 하이브리드 방식을 채택했다.

성능 평가에서는 5‑fold 교차검증을 통해 평균 AUC와 정확도를 보고했으며, CLAM‑SB가 0.836의 AUC와 76.2% 정확도로 가장 높은 점수를 기록했다. 이는 기존 연구에서 보고된 0.75~0.86 사이의 AUC와 비교해 경쟁력 있는 결과이며, 특히 데이터 규모가 작음에도 불구하고 사전학습 모델 덕분에 과적합을 억제하고 일반화 능력을 확보한 것으로 해석된다. 다만 중간 위험군(21/210)의 샘플이 상대적으로 적어 클래스 불균형 문제가 존재하고, 외부 검증(cohort) 없이 내부 교차검증만 수행한 점은 모델의 실제 임상 적용 가능성을 평가하는 데 한계로 남는다.

또한 논문은 전처리 단계에서 .sdpc 포맷을 .svs로 변환하고, HSV 색공간의 Saturation 채널을 이용해 조직 마스크를 생성한 뒤 256×256 패치를 비중첩 방식으로 추출하는 파이프라인을 상세히 기술한다. 이는 대용량 WSI 처리 시 메모리와 연산 효율성을 고려한 실용적인 접근법이며, HDF5 기반 데이터 저장으로 학습 속도를 최적화한다.

종합적으로, 이 연구는 (1) 소규모 병원 데이터에 사전학습 파운데이션 모델을 적용해 특징 추출 비용을 크게 낮춤, (2) MIL 기반 어텐션 메커니즘을 통해 병리학적 해석 가능성을 확보, (3) 다양한 MIL 아키텍처를 비교 분석함으로써 향후 임상 의사결정 지원 시스템 설계에 유용한 벤치마크를 제공한다는 점에서 학술적·실용적 가치를 동시에 지닌다.