본 논문에서는 많은 수의 병리 이미지가 필요하고, annotation data가 부족하며 레이블링을 하는 사람에 따라 결과가 달라질 수 있는 기존 연구의 한계점을 해결하기 위해서 Weakly supervised localization에 기반한 기법 제안하였다. Weakly supervised learning을 디지털 병리학에 결합하여 이미지의 특정 부분에 대해서만 추상적으로 레이블링을 진행였다. 제안하는 프레임워크는 train phase 에서는 cancer score를 예측하며, test에서는 이진 분류, localization map 생성하는 phase로 구성되어 있다. 또한, 보다 설명력 있는 모델을 제안하기 위해 기존 Grad-cam 과 거의 동일한 CAM(Cancer Activation Map) 및 기존의 cam 보다 픽셀 하나 하나의 기여도를 보다 정밀하게 계산하는 CSM(Cancer Saliency Map), 이 두 개의 장점을 결합한 CLEM을 제안하였다. 논문에서 제안하는 CELNet은 기존의 ResNet18, DenseNet 보다 Accuracy, AUC 면에서 높은 성능을 보이는 것을 실험적으로 확인하였으며. Weakly supervised localization의 결과에 대해서도 직관적으로 확인하고 해석할 수 있도록 레이블링한 결과를 시각화하여 신뢰성을 높였습니다.
발표를 통해 Weakly supervised localization의 필요성은 인지하였으나, 보다 세밀한 작업이 필요하다고 생각되는 병리학 이미지 labeling에 대해서도 weakly supervised 방식 기반으로 추상적이고 대략적으로만 labeling 하여도 괜찮은가에 대한 의문이 들었다. 사람마다 레이블링을 하는 level이 다르기 때문에(ex. 어떤 이미지는 촘촘하게, 어떤 이미지는 대략적으로) 이러한 level을 설정하는데 있어 가이드라인이 될 수 있다는 답변을 받았고, 해당 과정이 병리학 task를 처리하는데 있어 필요한 과정이라는 생각을 하게 되었다. 추가적인 병리학 연구를 위해 본 논문의 전체 framework 및 세부적인 알고리즘들에 대해 다시 한 번 살펴보는 것이 도움이 될 것 같다.