像病理学家一样诊断：面向可信多分辨率多实例学习的不确定性聚焦方法
计算机视觉与模式识别
2025-12-25 v2
摘要
随着组织病理学标本检查和诊断报告需求的增加，多实例学习（MIL）正受到作为 AI 诊断辅助可行方案的关注。最近，针对提高其性能并使其更类似病理学家，基于多分辨率图像的多实例学习方法被提出，往往优于使用单一分辨率图像的方法。尽管近期的多分辨率 MIL 方法在性能上取得了令人瞩目的进展，但以往方法仅关注提升性能，缺乏针对临床专家可信诊断结果的良好校准的研究。本研究提出不确定性聚焦校准 MIL（UFC-MIL），在使用不同分辨率的多张图像的同时，更贴近病理学家的检查行为，提供校准的诊断预测。UFC-MIL 包括一种新的 patch-wise loss，用于学习实例的潜在模式并表达其分类不确定性。此外，采用注意力机制的架构配合邻近 patch 聚合模块收集分类器的特征。此外，通过 patch 级别的不确定性对聚合预测进行校准，而无需多次迭代推理，这是其实际优势所在。在挑战性公开数据集上，UFC-MIL 在模型校准方面表现出优越性能，同时在分类准确率方面与最先进的方法相当。
引用
@article{arxiv.2511.06433,
title = {Diagnose Like A REAL Pathologist: An Uncertainty-Focused Approach for Trustworthy Multi-Resolution Multiple Instance Learning},
author = {Sungrae Hong and Sol Lee and Jisu Shin and Jiwon Jeong and Mun Yong Yi},
journal= {arXiv preprint arXiv:2511.06433},
year = {2025}
}
备注
Accepted by IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026