병원별 편향을 없애는 패치 기반 병리 모델

초록

본 연구는 TCGA 유방암 패치 데이터를 이용해 최신 병리 기반 모델들의 병원별 도메인 편향을 체계적으로 평가하고, 경량형 적대적 어댑터를 도입해 잠재 표현에서 병원 정보를 억제한다. 실험 결과, 질병 분류 정확도는 유지하면서 병원 출처 예측 성능이 크게 감소함을 t‑SNE 시각화와 정량적 지표로 확인하였다.

상세 분석

이 논문은 현재 병리학 분야에서 급부상하고 있는 Foundation Model(이하 PFMs)의 실제 임상 적용 가능성을 병원 간 데이터 분포 차이, 즉 도메인 편향에 초점을 맞추어 검증한다. 먼저 저자들은 TCGA‑BRCA 데이터셋에서 네 개의 주요 병원(기관)별로 균형 잡힌 패치를 추출하고, CLAM 기반 조직 영역 검출 후 CONCH 모델을 활용해 고신뢰도(신뢰도 > 0.8) 패지만을 선별한다. 이렇게 확보된 4,029개의 패치는 IDC와 ILC 두 질환 라벨을 갖는다.

다음으로 11개의 대표 PFMs(ResNet‑50, Giga‑Path, UNI, UNI2‑H, CONCH, TITAN, MUSK, H‑Optimus‑0, Phikon, Phikon‑v2, Virchow)을 그대로 사용해 고정된 인코더에서 특징을 추출하고, 별도의 MLP(두 개의 은닉층, ReLU)로 질병 라벨과 병원 라벨을 각각 예측한다. 병원 라벨 예측 정확도가 높을수록 해당 모델이 병원 특유의 색상·스캐너·전처리 정보를 잠재 공간에 많이 보유하고 있음을 의미한다.

핵심 기여는 기존 DANN(Domain‑Adversarial Neural Network) 아이디어를 경량 어댑터 형태로 구현한 점이다. 인코더는 고정하고, 512 차원의 투사 헤드와 질병/도메인 분류기를 학습한다. GRL(Gradient Reversal Layer)을 통해 도메인 분류기의 손실이 역전파될 때 특성 공간을 병원 정보에 대해 비선형적으로 압축하도록 유도한다. 전체 손실은 L_total = L_disease + λ·L_hospital이며, λ = 0.5가 실험적으로 최적임을 보고한다. 학습 후에는 GRL과 도메인 분류기를 제거하고 질병 분류기만 사용한다.

실험 결과는 두 가지 관점에서 설득력을 갖는다. 첫째, 대부분의 PFMs에서 병원 라벨 정확도가 MLP 기준 0.60.9 수준이었으나, 적대적 어댑터 적용 후 0.180.34 수준으로 크게 감소했다. 이는 잠재 표현에서 병원 특성을 효과적으로 억제했음을 의미한다. 둘째, 질병 분류 정확도와 AUC는 대부분 모델에서 0.92~1.00으로 유지되거나 미세하게 향상되었다. 특히 UNI와 UNI2‑H는 병원 AUC가 0.96→0.51, 0.96→0.51으로 절반 수준으로 낮아졌음에도 질병 AUC는 0.98 수준을 유지했다.

t‑SNE 시각화는 정량적 결과를 시각적으로 뒷받침한다. 원본 UNI 특징은 병원별 색깔이 뚜렷하게 구분되지만, 적대적 어댑터 적용 후 클러스터가 섞이며 병원 구분이 사라졌다. 이는 모델이 질병 관련 패턴만을 학습하도록 유도되었음을 직관적으로 보여준다.

또한 저자들은 교차 검증(5‑fold)과 병원별 데이터 격리를 통해 정보 누수를 방지했으며, λ 값에 대한 파라미터 탐색을 수행해 도메인 억제와 질병 보존 사이의 트레이드오프를 정량화했다. 이러한 실험 설계는 결과의 재현성과 일반화를 높이는 데 기여한다.

전체적으로 이 논문은 (1) PFMs가 병원 특유의 도메인 정보를 내재하고 있음을 실증적으로 입증하고, (2) 경량 적대적 어댑터가 기존 대규모 사전학습 모델을 재학습 없이도 도메인 불변성을 부여할 수 있음을 보여준다. 이는 실제 병원 현장에서 다양한 스캐너·프로토콜에 걸친 모델 배포 시 성능 저하 위험을 감소시키는 실용적인 해결책으로 평가된다. 향후 연구에서는 다중 도메인(예: 국가·인종·스캐너 종류) 전반에 걸친 확장, 그리고 임상 보고서와의 멀티모달 통합에 적용해볼 여지가 있다.