Core Concepts
본 연구는 디지털 병리학 이미지를 활용하여 허혈성 뇌졸중 혈전의 기원을 분류하기 위한 트랜스포머 기반 자기지도학습 모델을 개발하였다.
Abstract
본 연구는 허혈성 뇌졸중 환자에서 기계적 혈전제거술을 통해 얻은 혈전의 디지털 병리학 이미지를 활용하여 혈전 기원을 분류하는 트랜스포머 기반 딥러닝 모델을 개발하였다.
데이터셋은 STRIP AI Kaggle 챌린지에서 제공된 전체 슬라이드 이미지(WSI)를 사용하였다. 모델 개발을 위해 전이학습과 자기지도학습 기반 접근법을 활용하였다. 모델 아키텍처로는 swin_large_patch4_window12_384 모델을 사용하였으며, 주목 풀링 레이어, 가중치 손실 함수, 임계값 최적화 등의 기법을 적용하였다.
교차 검증 결과, 모델은 0.662의 로그 손실 점수를 달성하였고, 테스트 세트에서는 0.659의 로그 손실 점수를 기록하며 우수한 성능을 보였다. 다양한 모델 백본을 비교한 결과, swin_large_patch4_window12_384 모델이 가장 높은 성능을 나타냈다. 또한 혈전 기원 분류를 위한 임계값 기법을 적용하여 false positive와 false negative의 균형을 맞추었다.
본 연구는 디지털 병리학 이미지에서 허혈성 뇌졸중 혈전 기원을 식별하는 데 있어 트랜스포머 기반 딥러닝 모델의 효과를 입증하였다. 향후 더 큰 환자 코호트 데이터, 고도화된 전처리 전략, 앙상블 다중 모달 방법 등을 통해 모델 성능과 해석 가능성을 향상시킬 수 있을 것으로 기대된다.
Stats
허혈성 뇌졸중 환자에서 기계적 혈전제거술을 통해 얻은 혈전의 디지털 병리학 이미지를 활용하였다.
교차 검증 결과, 모델은 0.662의 로그 손실 점수를 달성하였고, 테스트 세트에서는 0.659의 로그 손실 점수를 기록하였다.
최적의 임계값 0.4에서 가중치 F1 점수는 0.6781이었다.
Quotes
"본 연구는 디지털 병리학 이미지에서 허혈성 뇌졸중 혈전 기원을 식별하는 데 있어 트랜스포머 기반 딥러닝 모델의 효과를 입증하였다."
"향후 더 큰 환자 코호트 데이터, 고도화된 전처리 전략, 앙상블 다중 모달 방법 등을 통해 모델 성능과 해석 가능성을 향상시킬 수 있을 것으로 기대된다."