[논문 리뷰] Efficient AI-Driven Multi-Section Whole Slide Image Analysis for Biochemical Recurrence Prediction in Prostate Cancer

Yesung Cho, Dong-Myung Shin외 6명|arXiv (Cornell University)|2026. 03. 17.

AI in cancer detection인용 수 0

한 줄 요약

본 논문은 다중 섹션의 전체 슬라이드 이미지(WSI)를 분석하여 전립선 절제술 후 생화학적 재발(BCR)을 예측하는 AI 프레임워크를 제시하며, 1년 및 2년 예측 성능이 우수하고 대규모 다슬라이드 데이터셋에서 외부 검증이 이루어졌음을 보인다.

ABSTRACT

Prostate cancer is one of the most frequently diagnosed malignancies in men worldwide. However, precise prediction of biochemical recurrence (BCR) after radical prostatectomy remains challenging due to the multifocality of tumors distributed throughout the prostate gland. In this paper, we propose a novel AI framework that simultaneously processes a series of multi-section pathology slides to capture the comprehensive tumor landscape across the entire prostate gland. To develop this predictive AI model, we curated a large-scale dataset of 23,451 slides from 789 patients. The proposed framework demonstrated strong predictive performance for 1- and 2-year BCR prediction, substantially outperforming established clinical benchmarks. The AI-derived risk score was validated as the most potent independent prognostic factor in a multivariable Cox proportional hazards analysis, surpassing conventional clinical markers such as pre-operative PSA and Gleason score. Furthermore, we demonstrated that integrating patch and slide sub-sampling strategies significantly reduces computational cost during both training and inference without compromising predictive performance, and generalizability of AI was confirmed through external validation. Collectively, these results highlight the clinical feasibility and prognostic value of the proposed AI-based multi-section slide analysis as a scalable tool for post-operative management in prostate cancer.

연구 동기 및 목표

• 종양 다발성에도 불구하고 근치적 전립선 절제술 후 생화학적 재발(BCR)을 정확하게 예측하려는 동기를 부여한다.
• 전립선의 전체 종양 구성을 포착하기 위해 여러 병리 슬라이드를 처리하는 AI 프레임워크를 개발한다.
• 1년 및 2년 BCR 예측 성능을 평가하고 이를 임상 벤치마크와 비교한다.
• 다변수 예후 모델에서 AI 파생 위험 점수의 통계적 독립성을 평가한다.
• 성능 저하 없이 패치 및 슬라이드 부분 샘플링을 통해 계산 효율성을 입증한다.

제안 방법

• 다중 섹션 병리 슬라이드 시리즈를 처리하여 포괄적 종양 구성을 포착한다.
• 789명 환자에서 23,451개의 슬라이드로 구성된 대규모 데이터셋에서 AI 모델을 학습시킨다.
• 1년 및 2년 BCR 예측 성능을 기존 임상 벤치마크와 비교 평가한다.
• AI 파생 위험 점수가 다변량 Cox 모델에서 강력한 독립 예후 인자인지 보여준다.
• 학습 및 추론 비용을 줄이기 위해 패치 및 슬라이드 부분 샘플링 전략을 도입한다.
• 외부 검증으로 일반화 가능성을 확인한다.

실험 결과

연구 질문

• RQ1 다중 섹션 WSI 분석이 전통적 임상 지표보다 1년 및 2년 BCR 예측을 개선할 수 있는가?
• RQ2 AI 파생 위험 점수가 다변량 Cox 분석에서 독립적 예후 인자인가?
• RQ3 패치 및 슬라이드 부분 샘플링이 계산 비용을 줄이면서 예측 성능을 유지하는가?
• RQ4 모델이 학습 코호트를 넘어 외부 데이터셋에 일반화되는가?

주요 결과

• 이 프레임워크는 1년 및 2년 BCR에 대해 강력한 예측 성능을 달성했다.
• AI 파생 위험 점수는 다변량 Cox 분석에서 가장 강력한 독립 예후 인자로 나타났으며, 수술 전 PSA 및 Gleason 점수를 능가했다.
• 외부 검증은 AI 접근 방식의 일반화를 확인했다.
• 패치 및 슬라이드 부분 샘플링은 성능 저하 없이 학습 및 추론 중 계산 비용을 크게 감소시켰다.
• 이 연구는 789명의 환자에서 23,451개의 슬라이드로 구성된 대규모 데이터셋을 사용했다.
• 이 접근법은 전립선암의 수술 후 관리에 임상적으로 실현 가능하다고 제시된다.