C$^2$MIL：同步语义与拓扑因果性的多实例学习用于稳健可解释的生存分析
计算机视觉与模式识别
2025-09-25 v1
摘要
图基于的多实例学习（MIL）在以 Hematoxylin and Eosin（H&E）染色的全切片图像（WSI）生存分析中广泛应用，due to its ability to capture topological information。然而，染色和扫描的差异会引入语义偏差，而与因果关系无关的拓扑子图会创建噪声，导致斜坡层级表示受偏影响。这会阻碍可解释性和泛化能力。为此，我们引入双结构因果模型作为理论基础，提出一种新型且可解释的双因果图基于的 MIL 模型 CMIL。CMIL 包含用于语义因果干预的跨尺度自适应特征解缠模块，以及用于拓扑因果发现的新的伯努利可微因果子图抽样方法。联合优化策略结合解缠监督和对比学习，使语义和拓扑因果性同时得到细化。实验表明，CMIL 在现有方法上持续改善泛化和可解释性，可作为多样化 MIL 基线的因果增强。代码已公开于 https://github.com/mimic0127/C2MIL。
引用
@article{arxiv.2509.20152,
title = {C$^2$MIL: Synchronizing Semantic and Topological Causalities in Multiple Instance Learning for Robust and Interpretable Survival Analysis},
author = {Min Cen and Zhenfeng Zhuang and Yuzhe Zhang and Min Zeng and Baptiste Magnier and Lequan Yu and Hong Zhang and Liansheng Wang},
journal= {arXiv preprint arXiv:2509.20152},
year = {2025}
}