AdvMIL：用于全切片图像生存分析的对抗式多示例学习

组织学全切片图像（WSIs）上的生存分析是估计患者预后的最重要手段之一。尽管已开发许多弱监督深度学习模型用于十亿像素 WSIs，它们的潜力通常受限于经典生存分析规则和全监督学习需求。结果，这些模型仅向患者提供完全确定的事件时间点的点估计，且只能从当前小规模的有标签 WSI 数据中学习。为解决这些问题，我们提出一种新颖的对抗式多示例学习（AdvMIL）框架。该框架基于对抗式事件时间建模，并整合了对 WSI 表示学习极为必要的多示例学习（MIL）。它是一个即插即用的框架，因此大多数现有的基于 MIL 的端到端方法可通过应用该框架轻松升级，获得生存分布估计和半监督学习的改进能力。我们的大量实验表明，AdvMIL 不仅常能以较低计算成本为主流 WSI 生存分析方法带来性能提升，还使这些方法能通过半监督学习有效利用无标签数据。此外，观察到 AdvMIL 可帮助提高模型对斑块遮挡和两种代表性图像噪声的鲁棒性。所提出的 AdvMIL 框架以其新颖的对抗式 MIL 范式推动计算病理学中的生存分析研究。