基于无标签概念的多实例学习用于千兆像素组织病理学
计算机视觉与模式识别
2025-01-07 v1 人工智能
摘要
多实例学习（MIL）方法允许仅使用切片级标注进行千兆像素全切片图像（WSI）分析。可解释性对于在高风险医疗领域安全部署此类算法至关重要。传统的MIL方法通过突出显示显著区域来提供解释。然而，这种空间热图为最终用户提供的见解有限。为了解决这个问题，我们提出了一种新颖的固有可解释的WSI分类方法，该方法使用人类可理解的病理学概念来生成解释。我们提出的Concept MIL模型利用视觉-语言模型的最新进展，直接基于图像特征预测病理学概念。该模型的预测是通过对WSI的前K个补丁上识别的概念进行线性组合获得的，通过追踪每个概念对预测的影响来实现固有解释。与传统的基于概念的可解释模型相比，我们的方法通过利用视觉-语言模型消除了昂贵的人工标注需求。我们在两个广泛使用的病理学数据集Camelyon16和PANDA上验证了我们的方法。在这两个数据集上，Concept MIL的AUC和准确率均超过0.9，与最先进模型相当。我们进一步发现，前20个补丁中有87.1%（Camelyon16）和85.3%（PANDA）落在肿瘤区域内。一项用户研究表明，我们的模型识别的概念与病理学家使用的概念一致，使其成为人类可解释的WSI分类的有前途的策略。
引用
@article{arxiv.2501.02922,
title = {Label-free Concept Based Multiple Instance Learning for Gigapixel Histopathology},
author = {Susu Sun and Leslie Tessier and Frédérique Meeuwsen and Clément Grisi and Dominique van Midden and Geert Litjens and Christian F. Baumgartner},
journal= {arXiv preprint arXiv:2501.02922},
year = {2025}
}