快速精准的非对称层次蒸馏多实例学习：用于Whole-Slide Image分类的AHDMIL
计算机视觉与模式识别
2025-08-08 v1
摘要
虽然多实例学习（MIL）在病理图像分类中取得了成功，但面临因需处理每个巨图全切片图像（WSI）中成千上万的切片而导致的高推理成本挑战。为此，我们提出AHDMIL——一种非对称层次蒸馏多实例学习框架，通过消除无关切片实现快速精准分类。AHDMIL由两个关键组件构成：作用于高分辨率WSI的动态多实例网络（DMIN），以及分析对应低分辨率版本的双分支轻量级实例预筛选网络（DB-LIPN）。在第一步中，自蒸馏（SD）训练DMIN进行WSI分类，同时生成每个实例的注意力得分以识别无关切片。这些得分指导第二步的非对称蒸馏（AD），DB-LIPN学习预测每个低分辨率切片的相关性。由DB-LIPN预测的相关切片在高分辨率WSI中对应的切片用于微调和高效推理DMIN。此外，我们设计了首个基于切比雪夫多项式的Kolmogorov-Arnold（CKA）分类器，用于计算病理学，through learnable activation layers提升分类性能。广泛实验表明，AHDMIL在四个公开数据集上持续超越前沿方法，在分类性能和推理速度方面均表现优异。例如，在Camelyon16数据集上，准确率提升5.3%，推理加速1.2倍。跨所有数据集，AUC、准确率、F1分数和Brier分数均显示出持续的提升，平均推理加速范围为1.2至2.1倍。代码已公开。
引用
@article{arxiv.2508.05114,
title = {AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification},
author = {Jiuyang Dong and Jiahan Li and Junjun Jiang and Kui Jiang and Yongbing Zhang},
journal= {arXiv preprint arXiv:2508.05114},
year = {2025}
}