加性 MIL：面向病理学的本质可解释多示例学习
计算机视觉与模式识别
2022-10-18 v2 机器学习
摘要
多示例学习（MIL）已广泛应用于病理学，以解决自动化癌症诊断与分级、预测患者预后及疗效反应等关键问题。在临床环境中部署这些模型，需要在开发与部署期间仔细审查这些黑箱以识别失败并维持医师信任。本工作中，我们提出一种简单的 MIL 模型表述，其在保持相似预测性能的同时实现可解释性。我们的加性 MIL 模型支持空间信用分配，从而可精确计算并可视化图像中每个区域的贡献。我们展示了我们的空间信用分配与病理学家诊断时使用的区域一致，并优于注意力 MIL 模型的经典注意力热图。我们表明任何现有 MIL 模型均可通过函数组合的简单改动变为加性。我们还展示了这些模型如何调试模型失败、识别伪特征并高亮类别级感兴趣区域，从而使其可用于临床决策等高风险环境。
引用
@article{arxiv.2206.01794,
title = {Additive MIL: Intrinsically Interpretable Multiple Instance Learning for Pathology},
author = {Syed Ashar Javed and Dinkar Juyal and Harshith Padigela and Amaro Taylor-Weiner and Limin Yu and Aaditya Prakash},
journal= {arXiv preprint arXiv:2206.01794},
year = {2022}
}