연구진은 병리 파운데이션 모델(PFM)의 신뢰성 문제를 해결하기 위해 DICE라는 프레임워크를 제안했어요. DICE는 K개의 동결된 PFM을 앙상블하고, 모델 간의 의견 불일치를 불확실성 추정의 지표로 활용해요.
딥 뮤추얼 러닝을 통해 앙상블 멤버를 정렬하고, 이론적으로 모델 불확실성을 상한선으로 제한하는 객관 함수를 사용해요. 또한, 앙상블 합의는 명시적인 감독 없이 패치 수준에서 이상을 찾아낼 수 있음을 입증했어요.
세 가지 어려운 WSI 벤치마크에서 DICE를 평가한 결과, 신뢰할 수 있는 불확실성 추정으로 실패 가능성이 높은 사례를 정확하게 식별하고, 기존 최고 성능 모델을 능가하는 결과를 보여줬어요.