M4：用于组织学图像分析中多实例学习的多代理多门专家混合网络
计算机视觉与模式识别
2024-07-25 v1
摘要
多实例学习（MIL）已成功应用于Whole Slide Images（WSIs）在计算病理学中的分析，使其能够从肿瘤亚型、推断基因突变和多组学生物标志物等方面实现广泛的预测任务。然而，现有的MIL方法主要关注单任务学习，导致整体效率低下，同时忽略了任务之间的关联性。为了解决这些问题，我们提出了一种用于多实例学习的多代理多门专家混合网络（Multi-gate Mixture-of-experts with Multi-proxy for Multiple instance learning, 简称M4），并将该框架应用于从WSIs中同时预测多个基因突变。M4模型有两个主要创新点：（1）利用具有多个门控策略的专家混合，用于单个病理切片上进行多基因突变预测；（2）构建多代理专家网络和门控网络，以进行全面且有效的病理图像信息建模。我们的方法在五个测试TCGA数据集上相对于当前的单任务方法实现了显著的改进。代码可在：https://github.com/Bigyehahaha/M4 获取。
引用
@article{arxiv.2407.17267,
title = {M4: Multi-Proxy Multi-Gate Mixture of Experts Network for Multiple Instance Learning in Histopathology Image Analysis},
author = {Junyu Li and Ye Zhang and Wen Shu and Xiaobing Feng and Yingchun Wang and Pengju Yan and Xiaolin Li and Chulin Sha and Min He},
journal= {arXiv preprint arXiv:2407.17267},
year = {2024}
}
备注
25pages,5figures