TIL 밀도를 활용하여 종양 KD 손실을 동적으로 조정하는 Multi-Teacher 지식 증류 프레임워크 제안

Tumor Teacher와 TIL Teacher로부터 Student 모델이 지식을 전달받아 제한된 TIL 라벨 환경에서도 종양 분할 정확도 및 일반화 성능 향상

Label이 부족한 디지털 병리학 WSI 에서 SAM (Segment Anything Model)을 활용한 세관 영역 식별 및 세관 영역 내 tiny object detection 기반 백혈구 식별을 통한 신장 손상 여부 확인

신장이식 후 세뇨관 급성손상 식별을 위한 2가지 요소인 세뇨관과 면역세포를 segmentation 모델을 활용해 WSI patch 이미지로부터 분할, 세뇨관의 급성 손상 및 정상 분류의 전체 프레임워크 제안

특히, 세뇨관의 경우 소수 레이블이 주어진 환경(800장, 일반적인 병리 연구의 경우 WSI 50~200장 활용)에서 SAM-adapte의 사전 지식을 활용해 강건한 segmentation model을 구축했으며, 면역세포의 경우 레이블이 전혀 존재하지 않는 환경에서 preprocess module을 활용해 fully unsupervised 방식의 segmentation model을 구축

은닉 표현 공간에서 클래스 관계 기반 차별화된 Mixup 적용 

EMA Prototype Bank와 다중 손실 학습을 통한 소규모·불균형 데이터 대응

부드러운 결정 경계를 형성하고 데이터 다양성 반영과 클래스 간 구분성 강화