ProsMAE: 다중 소스 MAE 기반 전처리 모델을 활용한 ISUP 등급 분류

ProsMAE: Multi-Source MAE Pretraining for ISUP Grade Classification

전체 슬라이드 이미지(WSI)는 계산 병리학 분야에서 풍부한 진단 정보를 제공하지만, 거대한 용량, 염색 변화, 스캐너 차이, 조직 아티팩트, 그리고 제한적인 전문가 주석으로 인해 견고한 모델 학습이 어렵습니다. 본 논문에서는 조직병리학 표현 학습을 위한 다중 소스 Masked Autoencoder (MAE) 프레임워크인 ProsMAE를 제시합니다. ProsMAE 사전 훈련을 위해 Prostate cANcer graDe Assessment (PANDA), CAncer MEtastases in LYmph nOdes challeNge 2017 (CAMELYON17), 그리고 BReAst Carcinoma Subtyping (BRACS) 데이터셋에서 추출된 이미지를 사용하며, 이를 통해 인코더가 다양한 조직 형태와 이미지 획득 환경에 노출되도록 합니다. 학습된 인코더는 ProsCLS를 사용하여 International Society of Urological Pathology (ISUP) 등급 분류에 적용되며, 이때 인코더는 고정되고 선형 분류 헤드가 사용됩니다. 평가된 PANDA 데이터셋 분할에서 ProsMAE는 일반적인 MAE 모델과 비교하여 더 높은 평균 검증 quadratic weighted kappa (QWK) 값을 달성했습니다. 더욱 견고성을 확보하기 위해서는 다양한 분할 조합에 대한 반복적인 평가가 필요합니다.

Whole slide images (WSIs) provide rich diagnostic information for computational pathology, but their gigapixel scale, stain variation, scanner differences, tissue artifacts, and limited expert annotation make robust model training challenging. This paper presents a multi-source Masked Autoencoder (MAE) framework, named ProsMAE, for histopathology representation learning. Tiles from Prostate cANcer graDe Assessment (PANDA), CAncer MEtastases in LYmph nOdes challeNge 2017 (CAMELYON17), and BReAst Carcinoma Subtyping (BRACS) are used for ProsMAE pretraining to expose the encoder to diverse tissue morphology and acquisition conditions. The learned encoder is transferred for International Society of Urological Pathology (ISUP) grade classification through ProsCLS, using a frozen encoder and a linear classification head. ProsMAE achieved a higher mean validation quadratic weighted kappa (QWK) than the vanilla MAE frozen linear-probe baseline under the evaluated disjoint PANDA split. Repeated-split evaluation remains necessary to further establish robustness across split compositions.