목적: 담도암은 간내 담관암(intrahepatic cholangiocarcinoma, IHCC)으로도 알려져 있으며, 초기 단계에서는 뚜렷한 증상이 나타나지 않는 희귀 질환이다. 그러나 예후는 암 아형(subtype)에 따라 크게 달라진다. 따라서 환자에게 더 나은 치료 계획을 제공하고 사망률을 낮추기 위해서는 정확한 암 아형 분류 모델이 필요하다. 하지만, 기가픽셀 단위의 전장 슬라이드(whole slide) 영상에서 조직병리(histopathology) 이미지를 픽셀 또는 패치 수준으로 주석 처리하는 일은 시간이 오래 걸리고 노동 집약적이다. 이러한 문제를 해결하기 위해, 영상 수준(image-level) 라벨만을 사용하여 IHCC 아형을 분류하는 약지도(weakly supervised) 방법을 제안한다. 방법: 제안 방법의 핵심 아이디어는 모든 아형에 공통으로 포함되는 영역(즉, 하위 이미지 또는 패치)을 탐지하여 이를 ‘hidden class’라고 명명하고, 대조 손실(contrastive loss)과 라벨 스무딩(label smoothing)을 반복적으로 적용함으로써 이를 제거하는 것이다. 이를 통해 각 아형을 충실하게 대표하는 패치만을 얻을 수 있으며, 그 패치들을 다중 인스턴스 학습(multiple instance learning, MIL)으로 영상 수준 분류 모델을 학습하는 데 사용한다. 결과: , 18%, 및 8%로 각각 나타났으며, 지도 학습(supervised) 방법과 비교 가능한 성능을 달성한다. 결론: 모든 아형에 공통으로 나타나는 패치를 대표하기 위한 hidden class의 도입은 IHCC 분류의 정확도를 향상시키고 조직병리 이미지에서의 약한 라벨링(weak labeling) 문제를 해결한다.

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