신장암의 발생률이 증가함에 따라 정밀하고 재현 가능한 진단 방법의 필요성이 강조된다. 특히 신장암의 가장 흔한 유형인 신세포암(renal cell carcinoma, RCC)은 예후 예측의 향상을 위해 정확한 핵 등급(nuclear grading)이 요구된다. 최근 딥러닝의 발전은 병리조직(histopathological) 이미지의 맥락적 특징을 활용한 종단 간(end-to-end) 진단 방법을 가능하게 했다. 그러나 대부분의 기존 방법은 영상 수준(image-level) 특징에만 초점을 맞추거나 핵에 대한 예측 결과를 효과적으로 집계(aggregation)하는 절차가 부족하여 진단 정확도를 제한한다. 본 논문에서는 핵 수준 특징을 활용하여 패치 수준 RCC 등급(patch-level RCC grading)을 향상시키는 새로운 프레임워크인 Nuclei feature Assisted Patch-level RCC grading (NuAP-RCC)를 제안한다. 우리의 접근법은 핵 수준 RCC 등급 네트워크를 사용하여 등급을 인지하는(grade-aware) 특징을 추출하고, 이를 그래프의 노드 특징(node features)으로 활용한다. 이후 이러한 노드 특징은 그래프 신경망(graph neural networks)을 통해 집계되어 핵의 형태학적 특성과 분포를 포착한다. 집계된 특징은 이어서 합성곱 신경망(convolutional neural networks)으로부터 추출한 전역 이미지 수준 특징(global image-level features)과 결합되어, 정확한 RCC 등급을 위한 최종 특징을 도출한다. 또한 패치 수준 RCC 등급을 위한 새로운 데이터셋을 제시한다. 실험 결과는 NuAP-RCC가 서로 다른 의료기관의 데이터셋에 대해 두 번째로 우수한 모델 대비 USM-RCC 데이터셋에서 정확도 6.15% 향상을 달성하며, 우수한 정확도와 일반화 성능을 보임을 시사한다.

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