17강 / 20강

슬라이드와 세포 — 이 사이트의 자료에 대 보면

/til 의 조각 4억 6천만 개

이 사이트의 자료에 딥러닝이 실제로 닿는 자리가 둘 있습니다.

고등학생이 사이트의 자료에 대 보면

이 강의의 개념을 실제 자료에 대 봅니다.

병리 슬라이드 한 장이 수십억 픽셀이다

크기 감각

것	픽셀
휴대폰 사진	약 1,200만
병리 슬라이드	100억 이상

한 장이 사진 천 장 분량이다 — 통째로 못 넣는다

그래서 조각으로 나눕니다

단계	하는 일
1	슬라이드를 작은 타일로 자른다
2	각 타일에서 특징을 뽑는다 (11강)
3	특징들을 모아 슬라이드 하나의 판정 ⭐

/til 강의의 조각 4억 6천만 개 가 2단계의 결과다

여기서 문제가 하나

라벨은 슬라이드 단위인데 예측은 타일 단위입니다.

아는 것	모르는 것
"이 슬라이드에 암이 있다"	어느 타일에 있나 ⚠

이걸 다중 인스턴스 학습이라 한다 — 가방 단위 라벨

비유 — 상자 속 불량품

정보	—
"이 상자에 불량이 있다"	안다
"몇 번째가 불량인가"	모른다

가방에 하나라도 있으면 양성 — 그 조건으로 학습한다

하나 — 병리 슬라이드 (`/til`)

/til 강의는 TCGA 전체슬라이드 5,202장(환자 4,751명)에서 림프구를 정량합니다. 슬라이드 한 장이 너무 커서 조각으로 잘라 판정하는데, 그 조각이 전부 합쳐 4억 6천만 개가 넘습니다.

조각마다 "여기 림프구가 있나" 를 판정하는 일 — 이것이 합성곱 신경망(11강)의 전형적인 자리입니다.

잘 맞는 이유

· 이웃한 화소가 관련 있다
· 림프구는 어디에 있든 림프구다
· 조각이 아주 많다

조심할 것

· 같은 슬라이드의 조각이 훈련과 시험에 나뉘면 정보 누출
· 염색 편차가 기관마다 다르다

오른쪽 첫 줄이 특히 중요합니다. 조각 단위로 무작위로 나누면 바로 옆 조각이 시험자료에 들어가 점수가 통째로 부풀려집니다 — /ml 4강과 16강이 말한 그것이에요. 환자 단위로 갈라야 합니다.

고등학생이 자료에서 특히 조심할 것

/ml 16강의 누출이 이 자료에서 유난히 잘 생깁니다.

가장 흔한 실수 — 타일 단위로 훈련·시험을 나누는 것

왜 안 되나

나누는 단위	결과
타일	같은 슬라이드의 타일이 양쪽에 ⚠
슬라이드	같은 환자의 슬라이드가 양쪽에 ⚠
환자	올바르다 ✔

/ml 4강의 규칙 — 가장 큰 단위로 나눈다

그리고 배치 효과

차이	모형이 배울 수 있는 것
염색 조건	병원마다 다르다
스캐너	기기마다 색이 다르다
슬라이드 두께	—

암 여부가 아니라 어느 병원 것인지 를 배울 수 있다 ⚠

암 전문 병원의 슬라이드가 대부분 암이라면 모형은 병원을 알아보면 됩니다.

/ml 18강의 늑대와 눈 이야기 그대로다

확인하는 법

방법	확인하는 것
다른 병원으로 검증	가장 강력하다 ✔
병원을 예측해 본다	잘 맞으면 배치 신호가 있다
염색 정규화	색 차이를 줄인다

두 번째가 좋은 진단법이다 — 있으면 안 될 것을 예측해 본다

조각 단위로 나누면 <b>바로 옆 조각</b>이 시험에 들어갑니다. 환자 단위로 갈라야 해요.

Python 브라우저에서 실행

# 조각 단위로 나누면 얼마나 부풀려지나
import numpy as np
rng = np.random.default_rng(191)

n_slides, per_slide = 40, 50
# 슬라이드마다 고유한 '버릇' 이 있다 (염색 · 장비 · 환자)
slide_effect = rng.normal(0, 1.5, n_slides)
X, y, slide = [], [], []
for s in range(n_slides):
    for _ in range(per_slide):
        feat = slide_effect[s] + rng.normal(0, 0.4)   # 조각 특징은 슬라이드를 많이 닮는다
        X.append(feat); y.append(1 if slide_effect[s] > 0 else 0); slide.append(s)
X = np.array(X)[:, None]; y = np.array(y); slide = np.array(slide)

def evaluate(tr, te):
    m1 = X[tr][y[tr] == 1].mean() if (y[tr] == 1).any() else 0
    m0 = X[tr][y[tr] == 0].mean() if (y[tr] == 0).any() else 0
    thr = (m1 + m0) / 2
    pred = (X[te].ravel() > thr).astype(int) if m1 > m0 else (X[te].ravel() < thr).astype(int)
    return (pred == y[te]).mean()

# 방법 A (틀림) - 조각을 무작위로 나눈다
idx = rng.permutation(len(X))
a = evaluate(idx[:1400], idx[1400:])

# 방법 B (맞음) - 슬라이드를 통째로 나눈다
s_perm = rng.permutation(n_slides)
tr = np.where(np.isin(slide, s_perm[:28]))[0]
te = np.where(np.isin(slide, s_perm[28:]))[0]
b = evaluate(tr, te)

print(f"슬라이드 {n_slides}장 · 장당 조각 {per_slide}개")
print()
print(f"  조각 단위로 무작위 분할   시험 정확도 {a:.3f}   <- 부풀려졌다")
print(f"  슬라이드 단위로 분할      시험 정확도 {b:.3f}   <- 진짜 값")
print()
print("차이가 나는 이유: 같은 슬라이드의 조각들은 서로 아주 닮았다.")
print("조각 단위로 나누면 '거의 같은 것' 이 훈련과 시험 양쪽에 들어간다.")
print("모형은 슬라이드의 버릇을 외우고, 시험에서 그 버릇을 다시 만난다.")

둘 — 단일세포 자료 (`/immune`·`/spatial`)

세포 하나에 유전자 2만 개, 세포가 수만 개. /ml 14–15강에서 이것을 차원 축소하고 군집했습니다.

딥러닝이 여기서 하는 일은 그 두 단계를 배워서 하는 것입니다 — 어떤 축으로 줄일지를 자료가 정하게 두는 거죠. 그리고 사전학습(15강)이 특히 잘 듣습니다. 공개된 세포가 수천만 개 있으니까요.

다만 /ml 15강의 경고가 그대로 남습니다 — 군집에는 정답이 없어서 채점할 수가 없습니다. 딥러닝을 쓴다고 그 문제가 풀리지는 않아요.

고등학생단일세포 자료와 딥러닝

또 다른 대규모 자료를 봅시다.

세포 수십만~수천만 개 × 유전자 2만 개

여기서는 상황이 다릅니다

	병리 영상	단일세포
표본 수	슬라이드 수백~수천	세포 수백만 ✔
딥러닝	조심스럽다	쓸 만하다

표본이 많은 것이 딥러닝의 전제 조건이다 (3·20강)

주로 하는 일

과제	모형
차원 축소 · 임베딩	오토인코더 계열
배치 보정	실험 차이를 지운다
세포 유형 분류	—
결측 대치	드롭아웃된 유전자

두 번째가 특히 딥러닝이 잘하는 부분이다

⚠ 그런데 조심할 것

배치 보정은 양날의 검입니다.

지우려는 것	같이 지워질 수 있는 것
실험 배치 차이	진짜 생물학적 차이 ⚠

환자마다 배치가 다르면 — 환자 차이가 지워진다

이건 /ml 14강의 UMAP 경고와 같은 성격입니다. 보기 좋게 만드는 것이 목적이 되면 안 돼요.

비유 — 사진 보정

보정	결과
조명 차이를 없앤다	비교하기 좋다 ✔
과하게 보정한다	사람이 다 비슷해 보인다 ⚠

차이를 지우다가 찾으려던 차이까지 지운다

🤔 확인 문제

병리 슬라이드 조각으로 분류기를 만들 때 자료를 나누는 올바른 방법은?

하나 — 병리 슬라이드 (/til)

둘 — 단일세포 자료 (/immune·/spatial)

하나 — 병리 슬라이드 (`/til`)

둘 — 단일세포 자료 (`/immune`·`/spatial`)