딥러닝 기반 유방암 진단의 혁신: 잊지 않는 AI, PaGMIL

Zheng 등의 연구는 유방암 WSI 분류에서 파국적 망각 문제를 해결하기 위한 새로운 프레임워크 PaGMIL을 제안합니다. 미시적 및 거시적 병리학적 사전 정보를 활용하여 데이터 선택 및 분류 헤드 선택의 정확성을 높임으로써, 기존 방법보다 우수한 성능을 달성했습니다. 공개 소스 코드를 통해 연구 결과의 활용성을 높였습니다.

병리학 분야에서, 특히 유방암 진단에 있어 Whole Slide Image (WSI) 분석은 정확하고 효율적인 진단을 위한 핵심 기술입니다. 하지만 기존 딥러닝 모델들은 새로운 데이터셋으로 학습할 때 이전에 학습한 내용을 '망각'하는 '파국적 망각(Catastrophic Forgetting)' 문제에 직면합니다. 이는 의료 영상 분석의 정확도와 신뢰성에 심각한 영향을 미칠 수 있습니다.

Zheng 등(2025) 의 연구는 이러한 문제를 해결하기 위해 혁신적인 프레임워크인 PaGMIL (Pathological Prior-Guided Multiple Instance Learning) 을 제시합니다. PaGMIL은 기존의 MIL 모델에 두 가지 핵심 요소를 추가하여 파국적 망각 문제를 완화합니다.

첫째, 미시적 병리학적 사전 정보(microscopic pathological prior) 를 활용하여 더욱 정확하고 다양한 대표 패치를 선택합니다. 이는 마치 숙련된 병리학자가 현미경으로 중요한 영역을 선택하는 것과 유사합니다. 더욱 효과적인 학습을 위해 중요한 정보만을 골라 학습시키는 전략입니다.

둘째, 거시적 병리학적 사전 정보(macroscopic pathological prior) 를 활용하여 각 작업에 대해 별도의 분류 헤드를 훈련하고, 썸네일을 프롬프트 가이드(PG)로 사용하여 적절한 분류 헤드를 선택합니다. 이는 마치 경험 많은 병리학자가 전체 슬라이드를 훑어보고 중요한 부분을 파악하는 것과 같습니다. 각각의 작업에 맞춤형 분류기를 적용함으로써 이전 지식을 보다 효과적으로 유지할 수 있게 됩니다.

다수의 공개 유방암 데이터셋을 사용한 실험 결과, PaGMIL은 현재 작업의 성능과 이전 작업의 지식 유지 사이에서 최적의 균형을 달성하며, 다른 지속적 학습 방법들을 능가하는 성능을 보였습니다. 더욱이, 연구팀은 코드를 공개 소스로 제공할 예정이어서, PaGMIL의 활용 및 추가 연구를 위한 접근성을 높였습니다.

PaGMIL은 단순한 기술적 진보를 넘어, 의료 AI의 신뢰성과 효율성을 향상시키는 중요한 발걸음입니다. 이 연구는 의료 영상 분석 분야의 지속적 학습에 새로운 가능성을 제시하며, 더욱 정확하고 신뢰할 수 있는 암 진단 시스템 구축에 기여할 것으로 기대됩니다. 앞으로 PaGMIL의 발전과 다양한 의료 분야로의 응용이 기대됩니다!