• 목록

[일시]
2025.07.15

[리뷰 논문]
A Pathology Foundation Model for Cancer Diagnosis and Prognosis Prediction

[요약]
CHIEF는 암 진단 및 예후 예측을 위한 범용 병리 foundation model로, 병리 슬라이드의 초고해상도 및 이질성(heterogeneity)에 기인한 도전 과제를 해결하고자 설계되었다. 기존 병리 기반 AI 모델은 특정 과제에 특화된 설계로 인해 범용성이 부족하고, domain 간 일반화 성능이 미흡하다는 한계가 존재하였다. CHIEF는 self-supervised learning과 weakly supervised learning을 통합한 이중 사전학습 전략을 통해 다양한 병리 과제에 적용 가능한 일반화된 표현 표현(representation)을 학습한다.

CHIEF는 두 가지 방식의 사전학습으로 구성된다. 첫째, tile-level self-supervised learning을 통해 총 1,500만 개 병리 타일에서 지역적 형태학적 특성을 추출한다. 둘째, slide-level weakly supervised learning에서는 전체 slide와 해부학적 장기 명칭 기반의 간단한 텍스트를 정렬하여 조직 단위의 전역적 문맥 정보를 학습한다. 이 두 표현은 통합되어 다양한 병리 과제에 전이 가능한 범용 임베딩(general-purpose embedding)을 형성한다.

학습 데이터는 19개의 해부학적 부위와 총 60,530개의 WSI로 구성되며, 다양한 병원, 스캐너, 염색 조건을 포함하여 도메인 간 편차에 강건한 모델 학습이 가능하도록 설계되었다. CHIEF는 복잡한 attention 구조 없이도 tile-level 표현을 단순 평균하여 slide-level 표현을 구성함으로써 계산 효율성과 표현력을 동시에 확보한다.

모델의 유효성은 총 32개의 독립 병리 데이터셋(19,491개의 WSI)을 대상으로 수행된 네 가지 downstream task 실험을 통해 검증되었다. 첫째, cancer classification에서는 대부분의 장기에서 AUROC 0.95 이상의 성능을 달성하여 병리사 수준의 분류 정확도를 확보하였다. 둘째, tumour origin prediction에서는 대부분 장기에서 top-1 accuracy 75% 이상을 기록하며, 해부학적으로 유의미한 예측 결과를 도출하였다. 셋째, driver mutation prediction에서는 AUROC 0.7 이상의 성능을 유지하였으며, 암세포의 악성 등급과 무관하게 안정적인 분자 수준의 패턴 인식이 가능함을 입증하였다. 넷째, survival prediction에서는 CHIEF의 위험도 예측을 기반으로 한 high-risk 및 low-risk 그룹 간의 Kaplan–Meier 생존 곡선이 통계적으로 유의미한 차이를 보였으며, c-index 기준에서도 대부분의 코호트에서 기존 방법을 상회하는 수치를 기록하였다.

종합적으로, CHIEF는 gigapixel 병리 이미지에서 지역적 및 전역적 정보를 통합적으로 활용할 수 있는 구조를 바탕으로, 다양한 병리학적 예측 과제에서 뛰어난 일반화 성능과 계산 효율성을 동시에 달성하였다. 이러한 결과는 CHIEF가 임상 환경에서 실질적으로 활용 가능한 병리 특화 foundation model로서의 가능성을 제시하였음을 보여주었다.

[녹화 영상]
https://us06web.zoom.us/rec/share/-MACpehdoYrE_A-aKuRQzLINESTa-_VVhbiyOevvDB48Pn7ATexk3nfSD7vyhFH4.Uh4XvCi3otukprle