본 논문은 조직병리학에서 인공지능(AI) 기반 디지털 병리학의 실용적 적용을 저해하는 과제(전체 슬라이드 이미지(WSI)의 노동 집약적인 주석, 높은 계산 요구량, 예측의 불확실성 추정 부재로 인한 신뢰 문제)를 해결하기 위해 새로운 신뢰할 수 있는 완전 비지도 다중 수준 분할 방법론(TUMLS)을 제시한다. TUMLS는 오토인코더(AE)를 특징 추출기로 사용하여 저해상도 훈련 데이터 내의 다양한 조직 유형을 식별하고, 불확실성 척도를 기반으로 각 식별된 그룹에서 대표 패치를 선택한 후, 어떠한 머신러닝 알고리즘도 사용하지 않고 각각의 고해상도 공간에서 비지도 핵 분할을 수행한다. UPENN-GBM 데이터셋을 사용한 평가에서 AE는 0.0016의 평균 제곱 오차(MSE)를 달성하였고, MoNuSeg 데이터셋에서의 핵 분할 평가 결과 모든 비지도 접근 방식을 능가하는 F1 점수 77.46%와 Jaccard 점수 63.35%를 기록했다. 이는 TUMLS가 디지털 병리학 분야 발전에 효과적임을 보여준다.
