基盤モデルを用いた肺腺がんWSIにおける主要増殖パターン予測のための注意機構付き多重インスタンス学習

Abstract

肺腺がん（LUAD）のグレーディングは、予後の指標となり治療方針に影響し得る増殖パターンを正確に同定することに依存しています。主要な深層学習アプローチでは、優勢なパターンを判定するために、パッチレベルの分類またはセグメンテーションに頼ることが一般的であり、そのためには膨大なアノテーションが必要です。本研究では、アノテーション負担を軽減するために、全スライドレベルで優勢なLUAD増殖パターンを予測する注意機構ベースのマルチプル・インスタンス・ラーニング（ABMIL）フレームワークを提案します。提案手法は、パッチエンコーダとして事前学習済みの病理基盤モデルを統合し、アノテーション付きパッチで凍結したまま使用するか、微調整して使用することで、識別的な特徴を抽出します。その後、それらの特徴を注意機構を通じて集約します。実験の結果、微調整したエンコーダが性能を向上させ、ABMILにおいてProv-GigaPathが最も高い一致度を達成しました（\k{appa} = 0.699）。単純なパッチ集約のベースラインと比較して、ABMILはスライドレベルの教師信号と空間的注意を活用することで、より頑健な予測を実現します。今後の課題として、このフレームワークを拡張し、増殖パターンの全体分布を推定するとともに、外部コホートで性能を検証します。