AtlasPatch 효율적인 조직 검출 및 고속 패치 추출을 위한 대규모 병리학 컴퓨팅

초록

AtlasPatch는 3만 장 이상의 WSI 썸네일을 활용해 SAM2 모델을 경량 파인튜닝한 조직 검출기를 제공한다. 높은 정밀도(0.986)와 다양한 밝기·파편화·아티팩트에 대한 강인성을 갖추었으며, 기존 딥러닝 파이프라인 대비 최대 16배 빠른 전처리를 구현한다. 추출된 패치는 저장하거나 실시간 임베딩 파이프라인에 바로 전달할 수 있어 병리 현장과 AI 연구 모두에 적합하다.

상세 분석

본 논문은 디지털 병리학에서 필수적인 전처리 단계인 조직 검출과 패치 추출을 고속화하고, 대규모 코호트에 적용 가능한 범용성을 확보하는 데 초점을 맞추었다. 먼저 저자들은 4개 기관(CHUM, TCGA, Radboud UMC, Karolinska)에서 수집한 약 3만 6천 장의 WSI 썸네일을 기반으로, 조직과 배경을 구분하는 고품질 마스크를 반자동 라벨링 워크플로우(Labelbox)로 구축하였다. 이 라벨링 과정에서는 자동 세그멘테이션 결과를 전문가가 정제하고, 품질 관리자가 최종 검수를 수행함으로써, 다양한 조직 형태(대형 절제, 고도로 파편화된 생검)와 색상·조명 변동을 포괄하는 데이터셋을 확보했다.

다음으로 모델 설계에서는 최신 범용 세그멘테이션 모델인 Segment‑Anything 2(SAM2)의 하이퍼‑소형 변형(hiera‑tiny)을 선택하고, 전체 파라미터 중 약 0.076%에 해당하는 정규화 레이어만을 파인튜닝하였다. 이는 대규모 이미지(수십만 픽셀)에서 메모리와 학습 시간을 크게 절감하면서도, 사전학습된 강력한 백본의 표현력을 그대로 활용할 수 있게 한다. 파인튜닝 후 모델은 썸네일 수준에서 조직 경계를 정확히 예측하고, WSI 피라미드 메타데이터를 이용해 고해상도 좌표로 확장한다.

좌표 생성 단계에서는 썸네일에서 추출된 컨투어를 벡터화하고, 이를 기반으로 패치 그리드를 생성한다. 여기서 배경·아티팩트(잉크, 스캐너 스트릭 등)를 자동으로 제외하도록 설계돼, 불필요한 I/O와 저장 용량을 크게 줄인다. 또한 CPU 멀티코어와 GPU 병렬화를 조합해 전체 파이프라인을 엔드‑투‑엔드로 최적화했으며, 선택적으로 패치를 바로 임베딩 모델(예: ViT, ResNet 기반 의료 이미지 인코더)로 전달해 실시간 특징 추출이 가능하도록 했다.

성능 평가에서는 다기관·다기관별 공개·내부 데이터셋(신장, 폐, 유방, 대장 등)에서 조직 검출 정확도(F1≈0.986, IoU≥0.94)를 기록했으며, 기존 임계값 기반 도구(HistoQC, TIA Toolbox 등)와 최신 딥러닝 기반 도구(Trident‑GrandQC, Trident‑Hest)와 비교해 정밀도·재현율 모두 우수했다. 특히 아티팩트가 많은 슬라이드에서도 높은 특이성을 유지했다.

다운스트림 작업인 멀티인스턴스 러닝(MIL) 기반 조직 분류 실험에서는 AtlasPatch가 생성한 패치를 사용했을 때, 동일 모델을 기존 파이프라인으로 학습시킨 경우와 비교해 정확도 차이가 없으며, 경우에 따라 소폭 향상되는 결과를 보였다. 가장 주목할 점은 전체 전처리 시간이 평균 16배 단축됐다는 점이다. 이는 대규모 foundation model 학습 시 데이터 준비 비용을 크게 낮추어, 실제 병원 현장이나 클라우드 환경에서 실시간 혹은 배치 처리 모두에 적용 가능하게 만든다.

마지막으로 저자들은 이 시스템을 오픈소스(https://github.com/AtlasAnalyticsLab/AtlasPatch)로 공개하고, Docker 및 Conda 환경을 통한 손쉬운 배포, 그리고 파이썬 API 제공을 통해 연구자와 임상 엔지니어가 손쉽게 통합할 수 있도록 했다. 전체 설계는 모듈화돼 있어 향후 새로운 임베딩 모델이나 추가 전처리 단계(예: 색상 보정, 병변 강조)와도 손쉽게 결합할 수 있다.

요약하면, AtlasPatch는 (1) 대규모·다기관 데이터에 기반한 견고한 조직 검출기, (2) 최소 파라미터 파인튜닝으로 효율적인 모델 적응, (3) 고속·병렬화된 패치 추출 및 임베딩 파이프라인, (4) 오픈소스 배포를 통한 재현성 및 확장성을 동시에 달성한 종합 솔루션이다.