정밀 암의료에서 개별 환자의 다중오믹스(multiomics) 프로파일에 기반하여 암 약물 감수성을 정확히 예측하는 것은 매우 중요하다. 그러나 예측 모델의 개발은 입력 특징의 복잡한 상호작용(crosstalk)과 공개 데이터베이스에 포함된 내성 우세의 약물 반응 정보로 인해 어려움을 겪어 왔다. 본 연구에서는 베이지안 신경망을 기반으로 하고 소프트(supervised) 대조 정규화(contrastive regularization)로 제한한 새로운 다약물 반응 예측 프레임워크인 반응 인지 다중과제 예측(response-aware multitask prediction, RAMP)을 제안한다. 이질적인 네트워크에서 표현 학습 특징으로 네트워크 임베딩 벡터(network embedding vectors)를 활용하기 위해, 우리는 네트워크 임베딩 학습에 세포주-약물 반응 정보를 적용하는 반응 인지 음성 샘플링(response-aware negative sampling)을 활용한다. RAMP는 약물 반응 특징의 포괄적인 선택과 활용에 기반하여 학습된 반응 데이터의 불균형이 유발하는 예측 정확도 한계를 극복한다. Genomics of Drug Sensitivity in Cancer 데이터셋에 대해 학습했을 때, RAMP는 수신자 조작 특성 곡선(receiver operating characteristic curve) 아래 면적이 > 89%, 정밀도-재현율 곡선(precision-recall curve) 아래 면적이 > 59%, ${\text{F}}_1$ 점수가 > 52%를 달성하였으며, 균형 및 불균형 데이터셋 모두에서 이전에 개발된 방법들을 능가했다. 또한 RAMP는 공개 데이터베이스에 포함되지 않았던 많은 누락된 약물 반응을 예측했다. 본 결과는 RAMP가 고처리량(high-throughput) 암 약물 감수성 예측에 적합할 것이며, 암 약물 선택 과정의 안내에 유용함을 보여준다. RAMP의 Python 구현은 https://github.com/hvcl/RAMP 에서 제공된다.

기반(foundation) 모델은 병리 전반(whole slide image, WSI) 분석 과제들—분류, 분할, 보고서 생성—에 걸쳐 다양한 작업에서 강력한 일반화 성능을 보여 왔다. 그러나 기존 대부분의 모델은 단일 스케일의 고배율 패치에 대해서만 독점적으로 학습되는 경우가 많아, 저배율에서 이용 가능한 풍부한 맥락 정보를 간과하는 일이 잦다. 이러한 모델을 저해상도 입력에 그대로 적용하면, 중요한 공간적 맥락이 소실될 수 있으므로 특징 표현이 저하되거나 오도될 수 있다. 또한 각 과제를 위해 기반 모델을 미세조정하는 일은 계산적으로 집약적일 뿐 아니라 비효율적이다. 이러한 문제를 해결하기 위해, 본 연구에서는 계층적 다중-전문가 지식 증류(Hierarchical Multi-Expert Knowledge Distillation), PatHME를 제안한다. 이는 다중 스케일 정보를 통합하고, 여러 전문가 기반 모델을 활용하여 보다 효과적이고 효율적인 WSI 분석을 가능하게 하는 단일화된 프레임워크이다. 먼저, 프롬프트 유도 다중-스케일 증류(Prompt-guided Multi-Scale Distillation) 모듈은 스케일 인식 프롬프트를 사용하여 배율 간 특징을 증류함으로써 저해상도와 고해상도 표현 간의 격차를 연결한다. 이를 통해 모델은 전역 조직 구조와 세밀한 세포 수준의 디테일을 모두 포착할 수 있다. 더 나아가, 재학습 없이도 교사 전문가(teacher expert)에서 학생 전문가(student expert)로의 특징 수준 지식 전달을 가능하게 하는 다중-전문가 지식 증류 전략을 도입하여, 계산 비용을 줄이면서 적응성을 향상시킨다. 마지막으로, 조직 맥락에 기반하여 다중 해상도 특징을 동적으로 융합하는 계층적 다중-스케일 주의(Hierarchical Multi-Scale Attention) 메커니즘을 포함하여, 세밀한 디테일과 전역 구조적 패턴을 모두 효과적으로 포착할 수 있게 한다. 여러 TCGA 벤치마크에 대한 실험 결과, 제안하는 방법은 모델의 성능과 효율을 유의미하게 향상시키며, 고도화된 디지털 병리(digital pathology) 응용을 위한 확장 가능하고 일반화 가능한 해결책을 제공함을 보여준다.