紧凑理由是否免费？在冻结 WSI-MIL 中的瓷砖选择头室测量
图像与视频处理
2026-05-14 v1 人工智能
计算机视觉与模式识别
摘要
Whole-slide image(WSI)多实例学习(MIL)分类器可在保持完整包预测不透明的同时实现强大的滑动水平AUC。注意力得分被广泛重用作为后验解释，但高注意力可能反映聚合偏好，而非紧凑、模型充分的理由。我们研究冻结 WSI-MIL 的后置理由突出显示：给定训练好的分类器，其滑动级预测是否可从紧凑、输出一致的瓷砖子集中恢复，而无需重新训练主干网络？我们以Finding Optimal Contextual Instances(FOCI)为实现，FOCI是冻结 MIL 主干网络上的轻量级理由读取层。FOCI使用模型输出充分性和排除目标在保留/删除瓷砖子集上进行训练，通过适用于 WSI-MIL 的插入式顺序揭示协议(SRP)进行评估，并由选择头室指数(SHI)总结。在三个WSI基准和七个MIL主干网络上，FOCI揭示紧凑理由是选择头室依赖的：Transformer和多分支注意力聚合器可容纳紧凑理由，接近最低注意力池化的基准线进入选择饱和 regime，硬选择主干网络可能与外部读取器冲突。对于TransMIL，相对于其已记录的CLS-proxy排序，FOCI在基准测试中将最低充分K(MSK)瓷砖计数减少32-56%，而ACMIL+FOCI实现了最高的平均SHI(+0.465)。删除基准扰动和仅选定下游评估提供互补检查。这些结果将FOCI定位为模型级别的可解释性和审计层：所选瓷砖并非临床或病理学水平诊断充分性的主张，而是为冻结MIL预测提供紧凑、可审查视图的候选理由。
引用
@article{arxiv.2605.12575,
title = {Are Compact Rationales Free? Measuring Tile Selection Headroom in Frozen WSI-MIL},
author = {Hyun Do Jung and Jungwon Choi and Soojung Choi and Yujin Oh and Hwiyoung Kim},
journal= {arXiv preprint arXiv:2605.12575},
year = {2026}
}