본 논문은 유방암 조직병리 이미지의 다중 클래스 분류를 위한 새로운 적응형 학습 방법을 제안합니다. 기존의 2진 분류(양성 대 악성) 중심의 컴퓨터 지원 진단 접근 방식의 한계를 극복하고자, 오분류 위험 분석 프레임워크와 적응형 학습 전략을 제시합니다. 오분류 위험 분석 프레임워크는 분류기의 잘못된 예측 가능성을 정량화하고 순위를 매기며, 적은 수의 라벨링된 샘플만으로 훈련 가능한 해석 가능한 위험 모델을 활용합니다. 적응형 학습 전략은 주어진 데이터셋의 특징에 따라 분류기를 미세 조정하여 오분류 위험을 최소화하고 표적 작업에 효과적으로 적응할 수 있도록 합니다. 실제 벤치마크 데이터셋을 사용한 평가 결과, 제안된 오분류 위험 분석 프레임워크는 기존 방법보다 오분류를 더 정확하게 식별하고, 적응형 학습 방법은 최첨단 심층 신경망 분류기의 성능을 크게 향상시키는 것으로 나타났습니다.
