스마트 샘플링으로 효율적인 병리 이미지 분석

초록

본 논문은 초고해상도 전체 슬라이드 이미지를 전부 처리하지 않고, 저해상도 스캔 단계에서 강화학습 에이전트가 중요한 영역을 선택적으로 확대해 고해상도 특징을 추출하도록 설계한 SASHA 모델을 제안한다. 계층적 다중‑주의 MIL 구조와 목표 기반 상태 업데이트(TSU)를 결합해 메모리와 연산량을 크게 절감하면서도 기존 최첨단 모델과 동등한 진단 정확도를 달성한다.

상세 분석

SASHA는 크게 세 가지 핵심 모듈로 구성된다. 첫 번째는 저해상도 패치 집합 S₀ 을 입력으로 받아, 강화학습(RL) 에이전트가 현재 상태 Sₜ 에 기반해 다음 확대할 고해상도 패치를 선택하는 정책 π(aₜ|Sₜ) 를 학습한다. 여기서 정책과 가치 함수는 Proximal Policy Optimization(PPO)으로 최적화되며, 에이전트는 전체 슬라이드의 1020 % 정도만 고해상도로 확대한다. 두 번째 모듈인 Hierarchical Attention‑based Feature Distiller(HAFED)는 두 단계의 주의 메커니즘을 사용한다. 첫 단계에서는 각 저해상도 패치에 속한 k 개의 고해상도 서브패치에 대해 주의 점수를 계산하고, 가중합을 통해 차원을 d 로 압축한다. 이때 다중 주의 헤드(M > 1)를 도입해 서로 다른 진단 특성을 포착하도록 설계했으며, 인스턴스 마스킹을 통해 과적합을 방지한다. 두 번째 단계에서는 압축된 N 개의 저해상도 패치 특징에 다시 주의를 적용해 슬라이드 수준 임베딩 h∈ℝᵈ 를 얻고, 이를 최종 분류기에 연결한다. 세 번째 모듈인 Targeted State Updater(TSU)는 에이전트가 선택한 패치와 특징이 유사한 다른 패치들의 상태를 동시에 업데이트한다. 코사인 유사도 기반 클러스터링을 활용해 연관된 인스턴스를 한 번에 갱신함으로써 상태 전파 비용을 크게 줄인다. 학습 단계에서는 모든 패치를 고해상도로 처리해 HAFED와 분류기를 사전 학습하고, 이후 RL 단계에서는 분류기를 고정(freeze)하여 정책 학습의 안정성을 확보한다. 이러한 설계는 기존 RLogist이 겪던 “정확도 저하”, “비진단적 특징 사용”, “정책‑분류기 동시 학습에 의한 수렴 불안정” 문제를 효과적으로 해결한다. 실험에서는 TCGA와 TULIP 기반 두 개의 암 종류(예: 유방암, 폐암) 벤치마크에서 6 % 이하의 메모리 사용량과 최대 8배 빠른 추론 속도를 기록하면서, 전체 고해상도 MIL 모델과 거의 동일한 AUC(≈0.920.94)를 달성했다. 특히, 동일한 샘플링 비율(10 %)을 적용한 기존 Sparse Sampling 방법보다 3~5 % 높은 정확도를 보였다. 전체 파이프라인은 공개된 GitHub 레포지토리에서 구현돼 재현 가능성을 높였으며, 저해상도 스캔‑고해상도 확대라는 인간 병리학자의 진단 흐름을 모델링함으로써 의료 현장 적용 가능성을 크게 확대한다.