[20260128 통합세미나] Deep Learning for Survival Analysis from Statistical …
페이지 정보
본문
[일시] 2026.01.28.
[세미나 주제]
Deep Learning for Survival Analysis from Statistical Models to Vision-Language Frameworks
[발표자]
정화용
[요약]
본 발표에서는 survival analysis의 기본 개념과 기존 통계 모델의 한계를 정리하고, 이를 딥러닝 및 비전-언어 프레임워크로 확장한 최근 연구 흐름을 소개하였다. 기존 생존 분석은 right censoring으로 인해 일반적인 회귀 문제와 다르며, 단순한 딥러닝 손실 적용 시 편향된 예측이 발생한다는 문제가 있다. 이를 해결하기 위해 딥러닝 기반 survival analysis 연구들은 Cox 모델을 확장하거나 discrete-time 및 parametric 접근을 도입하여 생존 분포를 직접 모델링해왔다. 관련 리뷰 논문에서는 다양한 방법들을 추정 전략, 모델 구조, 입력 모달리티 관점에서 체계적으로 정리하였으며, 대부분의 연구가 단순한 right-censoring 환경과 C-index 중심 평가에 의존하고 있다는 한계를 지적하였다. 이후 논문에서는 의료 영상 기반 survival prediction으로 논의를 확장하였다. 의료 영상은 고차원 입력을 제공하지만 생존 label은 불완전하게 관측되므로, CNN에 Cox loss를 단순 결합하는 방식은 근본적인 한계를 가진다. 이에 따라 full-data risk를 근사하기 위한 Buckley–James loss와 Doubly Robust loss가 제안되었으며, 실험을 통해 손실 함수 설계가 생존 예측 성능에 핵심적인 역할을 수행함을 보였다. 마지막으로 Whole Slide Image 환경에서의 weak supervision (WSI-level label) 문제를 해결하기 위해 HiLa(Vision-Language Survival Prediction) 프레임워크를 소개하였다. HiLa는 병리학적 의미 개념을 언어 프롬프트로 명시적으로 도입하여, 시각 정보와 언어 정보를 계층적으로 정렬함으로써 기존 MIL 기반 모델의 한계를 완화한다. 이를 통해 생존 예측 성능과 해석 가능성을 동시에 향상시킬 수 있음을 보였다. 결론적으로 본 발표는 딥러닝 기반의 survival analysis 에서는 문제 상황에 대한 명확한 정의와 더불어 데이터 모달리티에 따른 적합한 손실 함수 설계가 필수적임을 소개하였다.
Q. HiLa에서 학습과 추론 stage 각각에서의 input은 구체적으로 어떻게 되나요? WSI 가 들어가는지 특정 region, patch, text prompt 조합이 들어가는지요?
A. HiLa 에서는 patch-level image token, region-level image token, language prompts, survival label 이 활용되며, inference stage 에서는 이미 학습된 prompt embedding을 제외한 region-level, patch-level 의 token 이 주어집니다. 학습과 추론 과정 모두에서 WSI 의 특정 ROI 를 추출해서 입력으로 넣는 것이 아닌, 전체 WSI 로부터 추출한 region-patch 조합을 활용하게 됩니다. 모델이 학습 과정에서 전체 WSI (bag)로부터 나온 region-patch 조합에 대한 중요도를 attention으로 학습하게 되며, 이를 추론 과정에서도 활용하여 최종 survival prediction을 하게 됩니다. 정리하자면, 학습과 추론 모두 WSI 를 input 으로 사용하되 이를 region과 patch의 여러 조합으로 분할해 사용되는 구조입니다.
[관련 논문]
- Deep learning for survival analysis a review
- Survival analysis using deep learning with medical imaging
- HiLa Hierarchical Vision-Language Collaboration for Cancer Survival Prediction
[녹화 영상]
https://us06web.zoom.us/rec/share/eEwUMtSzNvNsf6AkdOdWWpevVsAwqz7r_fADsw6EHOwU_HcJL3ldlJIGtQbCclPn.Gj273bGrGL3zpuGi
[세미나 주제]
Deep Learning for Survival Analysis from Statistical Models to Vision-Language Frameworks
[발표자]
정화용
[요약]
본 발표에서는 survival analysis의 기본 개념과 기존 통계 모델의 한계를 정리하고, 이를 딥러닝 및 비전-언어 프레임워크로 확장한 최근 연구 흐름을 소개하였다. 기존 생존 분석은 right censoring으로 인해 일반적인 회귀 문제와 다르며, 단순한 딥러닝 손실 적용 시 편향된 예측이 발생한다는 문제가 있다. 이를 해결하기 위해 딥러닝 기반 survival analysis 연구들은 Cox 모델을 확장하거나 discrete-time 및 parametric 접근을 도입하여 생존 분포를 직접 모델링해왔다. 관련 리뷰 논문에서는 다양한 방법들을 추정 전략, 모델 구조, 입력 모달리티 관점에서 체계적으로 정리하였으며, 대부분의 연구가 단순한 right-censoring 환경과 C-index 중심 평가에 의존하고 있다는 한계를 지적하였다. 이후 논문에서는 의료 영상 기반 survival prediction으로 논의를 확장하였다. 의료 영상은 고차원 입력을 제공하지만 생존 label은 불완전하게 관측되므로, CNN에 Cox loss를 단순 결합하는 방식은 근본적인 한계를 가진다. 이에 따라 full-data risk를 근사하기 위한 Buckley–James loss와 Doubly Robust loss가 제안되었으며, 실험을 통해 손실 함수 설계가 생존 예측 성능에 핵심적인 역할을 수행함을 보였다. 마지막으로 Whole Slide Image 환경에서의 weak supervision (WSI-level label) 문제를 해결하기 위해 HiLa(Vision-Language Survival Prediction) 프레임워크를 소개하였다. HiLa는 병리학적 의미 개념을 언어 프롬프트로 명시적으로 도입하여, 시각 정보와 언어 정보를 계층적으로 정렬함으로써 기존 MIL 기반 모델의 한계를 완화한다. 이를 통해 생존 예측 성능과 해석 가능성을 동시에 향상시킬 수 있음을 보였다. 결론적으로 본 발표는 딥러닝 기반의 survival analysis 에서는 문제 상황에 대한 명확한 정의와 더불어 데이터 모달리티에 따른 적합한 손실 함수 설계가 필수적임을 소개하였다.
Q. HiLa에서 학습과 추론 stage 각각에서의 input은 구체적으로 어떻게 되나요? WSI 가 들어가는지 특정 region, patch, text prompt 조합이 들어가는지요?
A. HiLa 에서는 patch-level image token, region-level image token, language prompts, survival label 이 활용되며, inference stage 에서는 이미 학습된 prompt embedding을 제외한 region-level, patch-level 의 token 이 주어집니다. 학습과 추론 과정 모두에서 WSI 의 특정 ROI 를 추출해서 입력으로 넣는 것이 아닌, 전체 WSI 로부터 추출한 region-patch 조합을 활용하게 됩니다. 모델이 학습 과정에서 전체 WSI (bag)로부터 나온 region-patch 조합에 대한 중요도를 attention으로 학습하게 되며, 이를 추론 과정에서도 활용하여 최종 survival prediction을 하게 됩니다. 정리하자면, 학습과 추론 모두 WSI 를 input 으로 사용하되 이를 region과 patch의 여러 조합으로 분할해 사용되는 구조입니다.
[관련 논문]
- Deep learning for survival analysis a review
- Survival analysis using deep learning with medical imaging
- HiLa Hierarchical Vision-Language Collaboration for Cancer Survival Prediction
[녹화 영상]
https://us06web.zoom.us/rec/share/eEwUMtSzNvNsf6AkdOdWWpevVsAwqz7r_fADsw6EHOwU_HcJL3ldlJIGtQbCclPn.Gj273bGrGL3zpuGi
첨부파일
- 이전글[20260204 통합세미나] Regularizing Prompt Learning for Robust Vision-Language Model Adaptation 26.02.09
- 다음글[20260121 통합세미나] Efficient High-Resolution Image Generation via Latent Diffusion and Consistency 26.01.26
댓글목록
등록된 댓글이 없습니다.