계산병리(computational pathology)는 계산적 방법과 디지털 영상화를 통합함으로써 질병 진단 및 예후 향상에 효과적인 것으로 보고되어 왔다. 최근 수년간 기계학습(machine learning)과 딥러닝(deep learning)의 발전은 계산병리의 성능을 크게 강화하였다. 그러나 데이터 희소성과 데이터 불균형(data imbalance)이라는 문제는 여전히 존재하며, 이는 어떤 계산적 방법에도 적대적 영향을 미칠 수 있다. 본 논문에서는 기존의 병리 영상을 바탕으로 새로운 병리 이미지를 생성하여 추가적인 데이터 수집 또는 주석(annotation) 비용 없이 데이터셋을 확충할 수 있는 효율적이고 효과적인 데이터 증강(data augmentation) 전략을 제안한다. 제안된 방법의 평가를 위해 대장암(colorectal cancer) 데이터셋 2개 세트를 사용하였고, 분류 성능이 개선되는 결과를 얻었으며, 이는 제안된 단순한 접근이 계산병리에서의 데이터 희소성과 불균형을 완화할 잠재력이 있음을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.