EXAONE Path 2.0: Pathology Foundation Model with End-to-End Supervision
Created by
Haebom
저자
Myeongjang Pyeon, Janghyeon Lee, Minsoo Lee, Juseung Yun, Hwanil Choi, Jonghyun Kim, Jiwon Kim, Yi Hu, Jongseong Jang, Soonyoung Lee
개요
본 논문은 디지털 병리학에서 기가픽셀 규모의 전체 슬라이드 이미지(WSI) 처리의 어려움을 해결하기 위해, 기존의 패치 기반 자가 지도 학습(SSL) 및 다중 인스턴스 학습(MIL) 방식의 한계를 지적하고 새로운 접근 방식을 제시합니다. 기존 방식은 작은 패치 영역에서 일반적인 이미지 증강에 의존하여 중요한 도메인 특징을 간과하고, 데이터 효율성이 낮다는 문제점을 가지고 있습니다. 이에 반해, 본 논문에서 제시하는 EXAONE Path 2.0은 슬라이드 수준의 직접적인 감독 하에 패치 수준 표현을 학습하는 병리학 기반 모델입니다. 단 37,000개의 WSI만을 사용하여 10가지 바이오마커 예측 과제에서 최첨단 성능을 달성하여 뛰어난 데이터 효율성을 입증합니다.
시사점, 한계점
•
시사점:
◦
슬라이드 수준의 직접적인 감독 학습을 통해 기존의 패치 기반 자가 지도 학습 방식의 한계를 극복하고, 데이터 효율성을 크게 향상시켰습니다.
◦
제한된 데이터(37,000개 WSI)로 10가지 바이오마커 예측 과제에서 최첨단 성능을 달성하여, 병리학 이미지 분석 분야에 새로운 가능성을 제시합니다.
◦
EXAONE Path 2.0 모델은 다양한 바이오마커 예측에 활용 가능한 강력한 병리학 기반 모델임을 보여줍니다.
•
한계점:
◦
본 논문에서 제시된 10가지 바이오마커 예측 과제 외 다른 과제에 대한 성능은 검증되지 않았습니다.
◦
사용된 데이터셋의 특성에 따라 일반화 성능이 제한될 수 있습니다. 다양한 데이터셋에 대한 추가적인 실험이 필요합니다.
