• 목록

[일시] 2026.03.11

[세미나 주제] Label-Efficient Domain Adaptation for Pathology Foundation Models

[발표자] 오수진

[요약]
디지털 병리는 조직 슬라이드 이미지를 디지털화하여 질병을 분석하는 기술이며, 최근에는 대규모 데이터를 학습한 foundation model이 병리 분석에 활용되고 있다. 그러나 실제 병원 데이터에 적용할 경우 기관 간 환경 차이로 인해 모델 성능이 떨어질 수 있고, 병리 라벨을 얻는 과정은 전문가의 많은 시간과 비용이 필요하다는 문제가 있다. 이러한 한계를 해결하기 위해 CLAM은 슬라이드 수준의 라벨만을 이용하면서 attention 기반 MIL과 클러스터링을 통해 중요한 패치를 자동으로 학습하는 데이터 효율적인 방법을 제안한다. 또한 ECTIL은 세포 탐지나 분할 과정 없이 전체 슬라이드 이미지에서 직접 TIL 점수를 예측하여, 기존 방법보다 훨씬 적은 라벨로도 병리학자 수준의 예측 성능을 달성한다. 결국 두 연구는 적은 라벨로도 병리 이미지를 효과적으로 분석할 수 있는 가능성을 보여주지만, 공간 정보 부족이나 일부 오류 사례 등 실제 임상 적용을 위해서는 추가적인 연구가 필요하다는 한계도 존재한다.

[관련논문]
- Data Efficient and Weakly Supervised Computational Pathology on Whole Slide Images
- ECTIL: Label-efficient Computational Tumour Infiltrating Lymphocyte (TIL) assessment in breast cancer: Multicentre validation in 2,340 patients with breast cancer

[녹화영상]
https://us06web.zoom.us/rec/share/3DvH5hKTE8-IPKzL_xCiIx4f0y29EFKugKv52UirSSOJMdEEcai5gbu2Rd8EiemB.Z3mGO2GQvCjiFqa5