The Next Layer: Augmenting Foundation Models with Structure-Preserving and Attention-Guided Learning for Local Patches to Global Context Awareness in Computational Pathology
Created by
Haebom
저자
Muhammad Waqas, Rukhmini Bandyopadhyay, Eman Showkatian, Amgad Muneer, Anas Zafar, Frank Rojas Alvarez, Maricel Corredor Marin, Wentao Li, David Jaffray, Cara Haymaker, John Heymach, Natalie I Vokes, Luisa Maren Solis Soto, Jianjun Zhang, Jia Wu
개요
EAGLE-Net은 조직의 전역적 공간 구조와 진단적으로 관련된 영역 간의 국소적 상황 관계를 활용하는 메커니즘을 통합하여 기존의 파운데이션 모델의 한계를 극복하는 다중 인스턴스 학습(MIL) 기반의 구조 유지, 어텐션 기반 아키텍처입니다. 다중 스케일 절대 공간 인코딩을 통해 전역 조직 구조를 포착하고, 상위 K 이웃 인식 손실을 통해 국소 미세 환경에 대한 어텐션을 집중하며, 배경 억제 손실을 통해 위양성을 최소화합니다. 세 가지 다른 조직학적 파운데이션 백본(REMEDIES, Uni-V1, Uni2-h)을 사용하여 3가지 암 유형 분류(10,260 슬라이드) 및 7가지 암 유형 생존 예측(4,172 슬라이드) 작업에서 평가되었으며, 최대 3% 향상된 분류 정확도와 7가지 암 유형 중 6가지에서 최고의 일치 지수를 달성했습니다. 또한 전문가 주석과 일치하고 침윤 전선, 괴사 및 면역 침윤을 강조하는 매끄럽고 생물학적으로 일관된 어텐션 맵을 생성합니다.
시사점, 한계점
•
시사점:
◦
파운데이션 모델을 보완하여 종양 미세 환경 이해를 개선하는 일반화 가능하고 해석 가능한 MIL 프레임워크를 제시합니다.
◦
다중 스케일 공간 인코딩과 상위 K 이웃 인식 손실을 통해 향상된 예측 정확도와 해석성을 달성합니다.
◦
다양한 암 유형과 작업(분류 및 생존 예측)에서 우수한 성능을 보여줍니다.
◦
생물학적으로 의미있는 어텐션 맵을 생성하여 바이오마커 발견 및 예후 모델링에 기여합니다.
•
한계점:
◦
특정 파운데이션 모델과 데이터셋에 대한 성능 평가 결과이므로, 다른 모델이나 데이터셋에 대한 일반화 성능은 추가 연구가 필요합니다.
