본 연구는 소아 뇌종양 진단을 위한 계산 병리학 방법의 잠재력을 평가하기 위해, 스웨덴 6개 대학병원의 다기관 코호트에서 수집된 540명의 소아 환자(평균 연령 8.5세)의 뇌종양 조직 슬라이드 이미지(WSI)를 사용하여 약하게 감독되는 다중 인스턴스 학습(MIL) 방법을 구현했습니다. ResNet50, UNI, CONCH 세 가지 사전 훈련된 특징 추출기를 사용하여 WSI에서 패치 수준 특징을 추출하고, ABMIL 또는 CLAM을 사용하여 환자 수준 분류를 위한 특징을 집계했습니다. 소아 뇌종양의 계층적 분류를 기반으로 종류, 계열, 유형 세 가지 분류 작업에 대해 모델을 평가했으며, 두 개 센터의 데이터로 학습하고 나머지 네 개 센터의 데이터로 테스트하여 모델의 일반화 성능을 평가했습니다. UNI 특징과 ABMIL 집계를 사용했을 때 가장 높은 분류 성능을 보였으며, 종류, 계열, 유형 분류에 대한 Matthew 상관 계수는 각각 0.76±0.04, 0.63±0.04, 0.60±0.05였습니다. UNI 및 CONCH 특징을 사용한 모델이 ResNet50을 사용한 모델보다 일반화 성능이 더 우수했습니다.
