建立整个切片图像预测与诊断证据亚区域之间因果关系的深度学习方法
计算机视觉与模式识别
2025-07-08 v3 组织与器官
摘要
由于缺乏细粒度注释指导， 当前的多实例学习（MIL）在建立整个切片图像（WSI）诊断与证据亚图像之间的稳健因果关系方面困难，就像完全监督学习一样。 许多噪声图像会削弱网络的预测。 提出的因果推断多实例学习 (CI-MIL) 采用外分布推广， 在不要求像素级注释的情况下减少MIL网络对亚图像识别的混淆。 具体而言， 引入特征蒸馏来大致识别病灶块的特征表示。 然后， 在随机傅里叶特征空间中，对这些特征进行重新加权以最小化交叉相关，有效纠正特征分布偏差。 这些过程减少了将预测结果追溯到病块时的不确定性。 由于网络更清晰地识别了诊断证据图像与其之间的因果关系， 预测诊断更直接可靠。 实验结果表明， CI-MIL在状态最先进方法中显著优于， 在乳腺癌数据集（Camelyon16）上实现92.25%的准确率和95.28%的AUC， 在非小细胞肺癌数据集（TCGA-NSCLC）上实现94.29%的准确率和98.07%的AUC。 此外， CI-MIL exhibits优越的可解释性， 其选定区域与ground truth注释高度一致， 为病理学家提供更可靠的诊断辅助。
引用
@article{arxiv.2407.17157,
title = {Establishing Causal Relationship Between Whole Slide Image Predictions and Diagnostic Evidence Subregions in Deep Learning},
author = {Tianhang Nan and Yong Ding and Hao Quan and Deliang Li and Lisha Li and Guanghong Zhao and Xiaoyu Cui},
journal= {arXiv preprint arXiv:2407.17157},
year = {2025}
}