기하학적 인식을 위한 상태 공간 모델: 전체 슬라이스 이미지 표현의 새로운 패러다임

병리학적 이미지의 정확한 분석은 질병 진단과 치료 계획 수립에 필수적입니다. gigapixel 해상도로 조직 시료를 디지털화하는 전체 슬라이스 이미지 (WSI) 는 이 과정의 핵심이지만, 슬라이드 수준의 예측을 위해서는 수천 개의 패치를 집계해야 합니다. 다중 인스턴스 학습 (MIL) 은 타일 수준의 임베딩과 슬라이드 수준의 예측을 분리하는 2 단계 패러다임으로 이 과제를 해결합니다. 그러나 대부분의 기존 방법은 병리학적 조직의 계층적 조직화와 지역적 이질성을 간과하고 균일한 유클리드 공간에 패치 표현을 함침합니다. 이는 현재 모델이 전역 조직 구조와 세밀한 세포 형태를 포착하는 능력을 제한합니다. 이러한 한계를 해결하기 위해, 우리는 병리학적 조직의 계층적 구조와 지역적 형태학적 세부 사항을 보완적으로 모델링할 수 있도록 WSI 특징을 쌍중 기하학적 공간에 함침하는 하이브리퍼 hyperbolic-Euclidean 표현을 소개합니다. 이 공식화에 기반하여, 우리는 두 기하학적 공간을 활용하는 WSI 분류 프레임워크인 BatMIL 을 개발했습니다. 수천 개의 패치 간의 장기적 의존성을 모델링하기 위해, 선형 계산 복잡도를 가진 구조화된 상태 공간 시퀀스 모델 (S4) 백본을 사용했습니다. 또한 지역적 이질성을 고려하기 위해, 패치를 영역별로 그룹화하고 전문적인 서브네트워크로 동적으로 라우팅하는 chunk-level mixture-of-experts (MoE) 모듈을 도입하여 표현력 향상과 중복 계산 감소를 달성했습니다. 6 가지 암 종류를 아우르는 7 개의 WSI 데이터셋에서 수행한 광범위한 실험은 BatMIL 이 슬라이드 수준의 분류 작업에서 최첨단 MIL 접근법을 일관되게 우위함을 입증했습니다. 이러한 결과는 기하학적 인식을 위한 표현 학습이 차세대 계산 병리학의 유망한 방향임을 시사합니다.