面向血液疾病诊断的持续性多实例学习
机器学习
2025-08-12 v2 计算机视觉与模式识别
图像与视频处理
定量方法
摘要
实验室和诊所的动态环境导致每天不断到达数据流，要求对训练好的机器学习模型进行定期更新以保持一致的性能。持续学习旨在在不发生灾难性遗忘的情况下训练模型。然而，现有方法对多实例学习（MIL）无效，而MIL常用于单细胞水平的血液疾病诊断（例如白血病检测）。本文提出了首个专为MIL设计的持续学习方法。该方法基于样本选择的再训练方法，从各种袋中选择单个实例。我们结合实例注意力得分和样本到袋均值向量和类均值向量的距离，以仔细选择存储在前一个任务中 exemplary 集中的哪些样本和实例，以保留数据的多样性。使用来自白血病实验室的一 month 数据，我们在类别递增场景中研究该方法的有效性，与众所周知的持续学习方法进行比较。我们表明该方法显著优于现有方法，提供了MIL的首个持续学习方法。这使得模型能够适应随时间变化的数据分布，例如由疾病发生率或潜在基因突变引起的变化。
引用
@article{arxiv.2508.04368,
title = {Continual Multiple Instance Learning for Hematologic Disease Diagnosis},
author = {Zahra Ebrahimi and Raheleh Salehi and Nassir Navab and Carsten Marr and Ario Sadafi},
journal= {arXiv preprint arXiv:2508.04368},
year = {2025}
}
备注
Accepted for publication at MICCAI 2025 workshop on Efficient Medical AI