LadderMIL：采用由粗到精自蒸馏的多示例学习
计算机视觉与模式识别
2025-09-26 v4
摘要
计算病理学中用于全切片图像（WSI）分析的多示例学习（MIL）通常忽略示例级学习，因为监督通常仅在包级别提供，这阻碍了分析过程中对示例和包级别信息的综合考量。在本工作中，我们提出了 LadderMIL，一个旨在通过两个视角改进 MIL 的框架：（1）采用示例级监督和（2）在包级别学习示例间上下文信息。首先，我们提出了一种新颖的由粗到精自蒸馏（CFSD）范式，该范式探测并蒸馏一个用包级信息训练的网络，以自适应地获取示例级标签，从而以自我改进的方式有效地为同一网络提供示例级监督。其次，为了捕捉 WSI 中的示例间上下文信息，我们提出了一个上下文编码生成器（CEG），它对包内示例的上下文外观进行编码。我们还从理论和实证上证明了 CFSD 的示例级可学习性。我们的 LadderMIL 在多个临床相关的基准任务上进行了评估，包括乳腺癌受体状态分类、多类亚型分类、肿瘤分类和预后预测。与最佳基线相比，在五个基准测试中，AUC、F1 分数和 C 指数分别平均提高了 8.1%、11% 和 2.4%。
引用
@article{arxiv.2502.02707,
title = {LadderMIL: Multiple Instance Learning with Coarse-to-Fine Self-Distillation},
author = {Shuyang Wu and Yifu Qiu and Ines P. Nearchou and Sandrine Prost and Jonathan A. Fallowfield and Hideki Ueno and Hitoshi Tsuda and David J. Harrison and Hakan Bilen and Timothy J. Kendall},
journal= {arXiv preprint arXiv:2502.02707},
year = {2025}
}