병리 이미지 분할 파운데이션 모델 PathSegmentor 개발

주장PathSegmentor는 자연어 프롬프트를 활용하여 병리 이미지 내의 다양한 구조를 유연하게 분할합니다. 기존 작업별 모델의 한계를 극복하기 위해 이 통합 프레임워크를 개발했습니다.

팩트연구진은 21개의 공개 데이터셋을 통합하여 총 27만5200개의 이미지-마스크-라벨 삼중항을 구축했습니다. 이 데이터는 해부학적 영역과 조직학적 구조 및 객체 유형이라는 3단계 계층 구조로 정리되었습니다.

팩트PathSegmentor는 16개의 내부 데이터셋에서 가장 높은 수준의 성능을 기록했습니다. 외부 공공 및 임상 코호트 데이터에서도 뛰어난 일반화 성능을 증명했습니다.

팩트모델은 자연어 지시사항을 이해하여 점이나 상자 형태의 수동 입력 없이 객체를 정확히 식별합니다. 텍스트 프롬프트의 표현 방식이 바뀌어도 견고한 성능을 유지합니다.

주장의료진은 자연어 프롬프트를 통해 임상 현장에서 모델을 직관적으로 활용합니다.

주장PathSegmentor는 유방암 분류 모델의 예측 근거를 설명하는 데 기여합니다. 객체 수준의 섭동 및 활성화 맵을 통해 인공지능의 판단 과정을 해석합니다.

교차검증일부 임상 데이터셋은 병원 보안 정책으로 인해 일반에 공개되지 않았습니다. 연구 데이터 접근을 원할 경우 해당 병원 요구 사항에 따라 연구 책임자를 통해 별도 승인을 받아야 합니다.

팩트연구진은 소스 코드와 분석 스크립트를 MIT 라이선스 하에 깃허브를 통해 공개했습니다. 버전 1.0.0은 제노도를 통해 아카이빙되었습니다.

팩트연구진은 nnU-Net과 DeepLabV3+ 및 SAM-Path와 MedSAM 등 기존 주요 이미지 분할 모델들과 성능을 비교했습니다. 이를 통해 병리 이미지 분석 분야에서 기술적 우위를 확보했습니다.

주장이번 연구는 병리 이미지 분석의 자동화와 해석 가능성을 동시에 높입니다. 진단 효율성을 개선하는 데 이바지합니다.

출처Nature Computational Science(https://www.nature.com/articles/s43588-026-01042-5)의 보도를 교차 검증했습니다.