디지털 병리(digital pathology)는 광시야(gigapixel) 전(全)슬라이드(whole-slide) 이미지를 생성하며, 이는 방대한 저장 공간을 요구해 확장성에 한계가 있고 비용을 증가시킨다. 전통적인 압축 방법은 지역 간 진단적 중요성의 차이를 무시한 채 일률적인 압축 비율을 적용한다. 여기서는 광시야 전(全)슬라이드 이미지를 위한 적응형 압축(Adaptive compression for gigapixel whole-slide images, AdaSlide)이라는 프레임워크를 제시하며, 압축 효율과 진단적 무결성(diagnostic integrity) 사이의 균형을 맞춘다. AdaSlide는 영역별 최적 압축 비율을 결정하는 강화학습 기반 압축 결정 에이전트(Compression Decision Agent, CDA)와, 압축 후 시각적 충실도를 복원하는 기초 이미지 향상기(Foundational Image Enhancer, FIE)를 통합한다. 평가에서 병리의들은 원본 이미지와 복원된 이미지를 구별하는 데 근접한 수준의 우연 정확도(55%)를 보였으며, 이는 높은 지각적 충실도를 확인한다. 13개의 하위(downstream) 과제 전반에서 AdaSlide는 대부분의 과제에서 진단 성능을 유지하면서 저장 용량을 원본 크기의 10-35%로 감소시켰다. 임상적 관련성과 일치하도록 압축 전략을 조정함으로써, AdaSlide는 디지털 병리와 향후 AI 개발을 위한 효율적이고 확장 가능하며 신뢰할 수 있는 저장을 가능하게 한다.

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