IMILIA：用于从H&E全切片图像预测IBD炎症的可解释多实例学习
计算机视觉与模式识别
2025-12-16 v1
摘要
随着以组织学缓解为治疗目标的炎症性肠病（IBD）治疗转向组织学缓解，准确评估微观炎症对于评估疾病活动性和治疗反应日益重要。本文引入IMILIA（Interpretable Multiple Instance Learning for Inflammation Analysis，即炎症分析的可解释多实例学习），一个用于预测IBD染色片（H&E）中炎症存在的端到端框架，随后自动计算刻画组织区域驱动预测的标记。IMILIA由炎症预测模块组成，包含多个实例学习（MIL）模型；解释模块分为两个子模块：HistoPLUS用于细胞实例检测、分割和分类；EpiSeg用于腺体分割。IMILIA在发现队列上实现了0.83的交叉验证ROC-AUC，在两个外部验证队列上分别实现了0.99和0.84的ROC-AUC。解释模块提供了生物学一致的见解：预测得分较高的瓦片显示出免疫细胞（淋巴细胞、浆细胞、中性粒细胞和嗜酸性粒细胞）的更高密度，而得分较低的瓦片主要包含正常腺体细胞。值得注意的是，这些模式在所有数据集中均一致。代码和模型可在https://github.com/owkin/imilia找到，用于部分复现公开的IBDColEpi数据集的结果。
引用
@article{arxiv.2512.13440,
title = {IMILIA: interpretable multiple instance learning for inflammation prediction in IBD from H&E whole slide images},
author = {Thalyssa Baiocco-Rodrigues and Antoine Olivier and Reda Belbahri and Thomas Duboudin and Pierre-Antoine Bannier and Benjamin Adjadj and Katharina Von Loga and Nathan Noiry and Maxime Touzot and Hector Roux de Bezieux},
journal= {arXiv preprint arXiv:2512.13440},
year = {2025}
}