목적: 종양의 진행 양상과 예후가 달라 정확한 암 아형 분류가 중요하다. 전통적으로 병리학자들은 현미경으로 병리 슬라이드를 관찰하여 아형을 수기 분류해 왔다. 증가하는 업무량에 대응하기 위해, 본 연구는 전(全)슬라이드 영상(whole-slide images, WSIs)에 적용하는 합성곱 신경망을 이용해 위 장막세포 종양(gastric spindle cell tumor, GSCT) 아형인 위장관 기질종양(gastrointestinal stromal tumors, GIST), 평활근종(leiomyomas), 신경초종(schwannomas)을 분류하고자 하였다. 현재까지 헤마톡실린-에오신(hematoxylin and eosin, H&E) 전(全)슬라이드 영상으로부터 GSCT를 GIST, 평활근종, 신경초종으로 분류하는 자동화 파이프라인은 제안된 바 없다. 평활근종과 신경초종의 표본 수가 제한되어 클래스 불균형 데이터셋에 대한 학습이 필요하며, 이는 소수 클래스에서의 성능 저하와 모델의 과도한 확신(overconfidence)을 유발할 수 있다. 방법 및 결과: 우리는 CutMix 연산을 적용하여 소수 클래스에 대한 데이터셋을 생성함으로써, 내적 검증에서 평활근종과 신경초종의 F1 점수를 각각 0.9187에서 0.9651로, 0.9258에서 0.9808로 향상시켰고, 외적 검증에서는 각각 0.6004에서 0.8795로, 0.4792에서 0.6181로 개선하였다. 또한 모델의 과도한 확신을 고려하여, 통상적인 하드 보팅(hard voting)과 달리 신뢰도(confidence)가 0.9를 초과하는 인스턴스에 대해 Confident Instance Voting (CIV)을 적용하였으며, 내적 및 외적 검증에서 정확도를 각각 0.9680에서 0.9826로, 그리고 0.9138에서 0.9262로 달성하였다. 상기 접근법을 활용하여, H&E WSIs로부터 GSCT를 세 가지 범주로 분류하는 최초의 완전 자동화 파이프라인을 제안한다. 결론: 본 파이프라인은 위 장막세포 종양 아형을 분류하기 위한 임상 도구로서의 잠재력을 보여준다. 특히 조직병리 분석에서 클래스 불균형을 완화함으로써 진단의 효율성과 신뢰성을 향상시킨다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.