EfficientMIL：面向 WSIs 分类的高效线性复杂度 MIL 方法
计算机视觉与模式识别
2025-10-07 v2
摘要
全切片图像（WSIs）分类是计算病理学中的基本挑战，基于多实例学习（MIL）的方法已成为主导范式。当前最先进（SOTA）的 MIL 方法依赖注意力机制，虽取得良好性能，但在处理数十万枚切片时因二次复杂度而需要大量计算资源。为解决这一计算瓶颈，我们提出 EfficientMIL，这是一种用于 WSIs 分类的新型线性复杂度 MIL 方法，采用我们设计的自适应切片选择器（Adaptive Patch Selector, APS）模块，取代 Transformer 类 MIL 方法中基于二次复杂度的自注意力机制，采用高效序列模型包括基于 RNN 的 GRU、LSTM 和状态空间模型（SSM）Mamba。EfficientMIL 在计算效率上实现了显著提升，同时在多个组织病理数据集上超越了其他 MIL 方法。在 TCGA-Lung 数据集上，EfficientMIL-Mamba 达到 AUC 为 0.976 和准确率为 0.933；在 CAMELYON16 数据集上，EfficientMIL-GRU 达到 AUC 为 0.990 和准确率为 0.975，超越了之前的最先进方法。大量实验表明，APS 对于切片选择也比传统选择策略更有效。
引用
@article{arxiv.2509.23640,
title = {EfficientMIL: Efficient Linear-Complexity MIL Method for WSI Classification},
author = {Chengying She and Chengwei Chen and Dongjie Fan and Lizhuang Liu and Chengwei Shao and Yun Bian and Ben Wang and Xinran Zhang},
journal= {arXiv preprint arXiv:2509.23640},
year = {2025}
}
备注
Submitted to Array