목적: 유방암은 서로 다른 예후를 보이는 다양한 아형을 포함하므로 정확한 층화(stratification) 방법이 필요하다. 현재의 기술은 제한된 부분 집합에서 유전자 발현을 정량화하는 데 의존한다. 유방 조직의 복잡성을 고려할 때, 의료 영상에서 유방암을 효과적으로 검출하고 분류하는 것이 중요하다. 본 연구는 조직병리 이미지에서 유방암을 검출하고 분류하기 위해, 다중 패치 기반 딥 컨볼루션 오토인코더(DCAE) 프레임워크와 VGG19를 결합한 새로운 방법 MPa-DCAE를 제안한다. 방법: 제안된 MPa-DCAE 모델은 DCAE 프레임워크 내에서 VGG19의 계층적 특징 추출 능력을 활용하여 조직병리 이미지의 복잡한 패턴을 포착하도록 설계되었다. 다중 패치 접근을 통해 병리 이미지에서 관심 영역을 추출하여 국소화된 특징 학습을 가능하게 하며, 이는 모델의 변별력을 향상시킨다. 오토인코더 구성요소는 비지도 특징 학습을 가능하게 하여 영상 특징의 변이에 대한 견고성과 적응성을 높인다. 모델 성능 검증을 위해 CBIS-DDSM 및 MIAS 데이터셋에서 다양한 배율에서 실험을 수행하였다. 결과: 실험 결과, MPa-DCAE 모델은 기존 방법보다 우수한 성능을 보였다. CBIS-DDSM 데이터셋에서 정밀도 97.96%, 재현율 94.85%, 정확도 98.36%를 달성하였다. MIAS 데이터셋에서는 정밀도 97.99%, 재현율 97.2%, 정확도 98.95%를 달성하였다. 이러한 결과는 모델의 견고성과 컴퓨터 보조 진단에서의 임상 적용 가능성을 보여준다. 결론: VGG19와 DCAE를 통합한 MPa-DCAE 모델은 유방암 진단을 위한 효과적이고 자동화된 접근임이 입증되었다. 높은 정확도와 범용성은 임상 실무에서 유망한 도구가 될 수 있으며, 잠재적으로 조직병리 기반 유방암 진단에서 환자 치료를 향상시킬 수 있다.

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