본문 바로가기
Digital pathology

AI-Based Anomaly Detection for Clinical-Grade Histopathological Diagnostics

by 연금(Pension)술사 2025. 6. 23.

https://ai.nejm.org/doi/full/10.1056/AIoa2400468

 

 

Preliminary

One-class classification (OCC): 정상 클레스만을 학습해서, 학습시점에 존재하지 않던 비정상을 탐지하는 방

 

Motivation


  • Supervised learning에서는 rare-class가 long-tail문제가 발생 (Major class만 대다수고, 나머지는 거의 관찰빈도가 없음)

 

Method


  • 위/대장의 65개의 진단명을 획득
  • 그외 장기 획득: OE(Outlier exposure)용도
  • 이상치의 정의: 10명의 병리의사 위원회에서 결정

 

모델: DEEP AD. Unsupervised approach (Anomaly data은 수집이 어려워서, 정상 패치의 특성만 배우도록함)

  • Self-supervised learning: Auxillary task을 추가로 주는 방법(유사도)
    • feature extractor: CTransPath, CTransPath+finetuning (OCC로 튜닝)
  • Outlier exposure을 이용하는 방법: 
    • Common data vs auxillary data을 학습 (BCE로 학습). 여기서 Common은 Stomach 아니면 Colon. Auxillay data은 그외 장기(예, Stomach 모델을 학습하고 있다면, OE에 해당하는 것들은 다른장기 + Colon의 정상 데이터셋)
    • 주요 가설: "정상 vs 비정상" 을 구분하려면, 정상에 가까우면서도 조금 다른 데이터를 이상치로 세팅해야함. 왜냐하면 너무 유사하면 이상치로 인삭하기 어렵고, 너무 다르면 쓸모없는 경계를 학
반응형