연구진은 약하게 감독된 전체 슬라이드 이미지(WSI) 분류의 정확도를 높이기 위해 CGRL(Concept-Guided Pruning and Representation Learning) 프레임워크를 제안했어요.
CGRL은 질병 프롬프트에서 파생된 클래스 수준의 개념 프로토타입을 활용하여, 관련성이 높은 패치만 선택하고 클래스별 의미론과 정렬하는 방식이에요.
TCGA-BRCA 및 TCGA-NSCLC 데이터셋에서 실험 결과, CGRL은 여러 모델과 데이터셋 조합에서 성능을 개선했으며, 특히 정확도와 매크로-F1 점수를 향상시키고 계산 비용을 절감했어요.