생의학 영상 데이터의 도메인 갭 해소: CS-ARM-BN 제안

요약

본 논문은 생의학 영상 분석에서 치명적인 문제인 '배치 효과(batch effects)'를 해결하는 새로운 방법론, CS-ARM-BN을 제안합니다. 배치 효과는 실험 재현성을 떨어뜨리고 기존 딥러닝 모델이 실제 환경(새로운 배치)에서 실패하는 주원인입니다. 연구진은 메타 학습 기반의 적응 방식을 사용하여 '부정적 제어 샘플(negative control samples)'이라는 항상 존재하는 안정적인 컨텍스트를 활용합니다. 대규모 JUMP-CP 데이터셋을 사용한 MoA 분류 실험 결과, 기존 ResNet 모델의 정확도가 훈련 도메인(

핵심 포인트

• CS-ARM-BN은 메타 학습 기반 적응 방식을 사용하여 배치 효과로 인한 성능 저하를 극복했습니다.
• JUMP-CP 데이터셋에서 MoA 분류 시, CS-ARM-BN을 적용하여 훈련 도메인(0.939 $ ext{±}$ 0.005)과 새로운 배치 도메인(0.862 $ ext{±}$ 0.060) 간의 성능 격차를 성공적으로 줄였습니다.
• 제안된 방법은 실험실이 다른 곳에서 생성된 등 심각한 도메인 시프트가 발생하더라도, 항상 이용 가능한 제어 샘플을 활용하여 안정적인 적응이 가능함을 입증했습니다.