• 목록

[일시] 2025.08.19

[리뷰 논문] PathoDuet: foundation models for pathological slide analysis of H&E and IHC stains

[요약]
본 연구는 H&E(Hematoxylin & Eosin)와 IHC(Immunohistochemistry) 염색 병리 슬라이드를 모두 분석할 수 있는 통합 Foundation Model인 PathoDuet을 제안한다. 기존 방법들은 H&E와 IHC를 별도 처리하거나 라벨 데이터 의존도가 높은 한계가 있었다. PathoDuet은 Self-Supervised Learning 기반으로 두 가지 핵심 기법을 도입한다. Cross-scale Positioning은 병리학자의 다중 배율 검사 행태를 모사하여 로컬-글로벌 시야를 연계 학습하고, Cross-stain Transferring은 H&E 특징을 IHC 스타일로 변환하여 염색 간 표현 격차를 줄인다. ViT 기반 MoCo v3 프레임워크에 pretext token과 task raiser를 통해 여러 pretext task를 통합했다. TCGA 약 11,000개 H&E 슬라이드와 21,126쌍의 H&E-IHC 데이터로 실험한 결과, H&E 및 IHC 작업 모두에서 기존 모델들 대비 우수한 성능을 달성했다. 특히 제한된 데이터 환경에서 뚜렷한 성능 향상을 보였으며, 11K 슬라이드로 학습한 PathoDuet이 100K 슬라이드로 학습한 UNI를 능가하여 도메인 특화 학습 전략의 효과를 입증했다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/2BotpbaH9KtpUI-JQHFF37DxNSQaJN5yesColpoVQhUi6Leuxb0Ftwzecf1Xt7Ne.LAUWfU0HjH4kgrWq

[Q&A]
Q: Cross-scale positioning의 branch 각 3개가 의미하는 바와 역할이 무엇인가?
A : 각 branch에 해당하는 내용을 정리하면 다음과 같습니다.
1. Region Network: 큰 영역과 작은 패치를 함께 입력받아 전역적 관점의 패치 표현을 생성
2. Online Patch Network: 패치의 증강 뷰로부터 로컬 표현을 학습하고 query를 생성
3. Target Patch Network: 동일 패치의 다른 뷰로 안정적인 key를 제공하는 모멘텀 업데이트 브랜치