암 검출의 주요 방법 중 하나는 조직병리학적 이미지의 검경(examination)이다. 그러나 전통적인 접근법은 이러한 이미지 분석에 시간이 많이 소요되며 오류가 발생하기 쉽다. 최근 딥러닝의 발전에 따라 연구자들은 조직병리학적 이미지 분석의 정확도와 효율을 향상시키기 위해 이러한 모델을 점점 더 활용하고 있다. 본 연구에서는 진단 정밀도를 높이고 검출 과정을 간소화하기 위해, 유전자 발현 예측과 조직병리학적 이미지 분석을 통합하는 다중 클래스 암 분류를 위한 딥러닝 기반 모델을 제안한다. 이 모델은 유전자 발현 및 암 라벨의 미리 정해진 시퀀스가 종종 누락되어 데이터의 올바른 분류가 어려운 실제 임상 환경에서 사용을 목표로 한다. Fourier Neural Networks (FNN)와 EfficientNetB0를 사용하여 Whole Slide Images (WSIs)로부터 공간 및 주파수 기반 특징을 전체 세트로 추출한다. 최적의 특징 세트를 선택하기 위해 Incremental Principal Component Analysis (IPCA)를 사용하였고, 그 결과로 얻어진 표현(representations)을 패치 수준 특징으로부터 WSI 표현으로 후속 재구성하였다. 고급 딥러닝 모델 중 하나인 DeepONet 모델을 선택하여 생성된 조직병리학적 이미지 특징을 매핑하고 유전자 발현 패턴을 예측한다. 학습 후, 이 모델은 암 유형 분류에서 93%의 정확도를 달성했으며, 다중 암 분류에 대해 허용 가능한 성능을 나타내는 정밀도(precision) 값은 0.92였다. 또한 유전자 발현 예측에서도 Mean Absolute Error (MAE) 0.033, R² 점수 0.765의 성과를 보여 유전자 발현 패턴을 포착하는 데 있어 신뢰성을 입증하였다. 유전자 발현 데이터의 누락 또는 암 유형 분류의 모호함과 같은 실제적 문제를 해결함으로써, 제안된 Dual Deep Learning Model은 종양학에서 정확도를 향상시켜 암 진단을 강화한다. 조직병리학적 이미지 분석과 유전자 발현 예측을 통합함으로써, 이 모델은 자동화된 임상 의사결정을 가능하게 하며 암성 및 비암성 사례를 구별하는 데 견고한 해결책을 제공한다. 접수: 2025년 6월 11일 | 수정: 2025년 8월 15일 | 승인: 2025년 9월 13일 이해상충 저자들은 본 연구에 이해상충이 없음을 선언한다. 데이터 가용성 진술 데이터는 합당한 요청이 있을 경우 교신저자(corresponding author)로부터 이용 가능하다. 저자 기여도 진술 Anju Das: 개념 정립(Conceptualization), 방법론(Methodology), 소프트웨어(Software), 검증(Validation), 형식적 분석(Formal analysis), 조사(Investigation), 자원(Resources), 데이터 큐레이션(Data curation), 원고 작성 – 원초안(Writing – original draft), 시각화(Visualization). Neelima Nizampatnam: 개념 정립(Conceptualization), 방법론(Methodology), 소프트웨어(Software), 검증(Validation), 형식적 분석(Formal analysis), 조사(Investigation), 자원(Resources), 데이터 큐레이션(Data curation), 원고 작성 – 원초안(Writing – original draft). Somnath Ganguly: 조사(Investigation), 데이터 큐레이션(Data curation), 원고 검토 및 편집(Writing – review & editing), 시각화(Visualization), 감독(Supervision), 프로젝트 관리(Project administration). Joon Ho Choi: 검증(Validation), 조사(Investigation), 원고 검토 및 편집(Writing – review & editing), 시각화(Visualization), 감독(Supervision), 프로젝트 관리(Project administration).

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