面向公平且可解释全切片图像诊断的因果感知多实例学习：MeCaMIL
计算机视觉与模式识别
2025-11-17 v1
摘要
多实例学习 (MIL) 已成为全切片图像 (WSI) 分析在计算病理学中的主导范式，通过 patch 级别特征聚合实现强大的诊断性能。然而，现有 MIL 方法面临两个关键局限性：（i）注意力机制缺乏因果可解释性；（ii）未能整合患者人口统计学特征（年龄、性别、种族），导致跨人群公平性问题。这些局限性阻碍了临床转化，其中算法偏见可能加剧健康不平等。我们引入 MeCaMIL，一种因果感知 MIL 框架，通过结构化因果图显式建模人口统计学混杂因素。不同于将人口统计学视为辅助特征的先前方法，MeCaMIL 采用原则性因果推断——利用 do 微积分和 collider 结构——来分离疾病相关信号与虚假的人口统计学相关性。广泛评估显示，MeCaMIL 在 CAMELYON16（ACC/AUC/F1: 0.939/0.983/0.946）、TCGA-Lung（0.935/0.979/0.931）和 TCGA-Multi（0.977/0.993/0.970，五类癌症）上实现了最先进的性能。关键的是，MeCaMIL 实现了优异的公平性——在各属性上，人口统计学差异方差降低了超过 65%，对弱势人群的改进尤为显著。该框架可推广至生存预测（平均 C-index: 0.653，较最佳基线提高 0.017，覆盖五类癌症）。消融研究表明，因果图结构至关重要——替代设计在准确率上低 0.048，在公平性上差 4.2 倍。这些结果将 MeCaMIL 确立为数字病理学中原则性、公平、可解释且临床可操作的 AI 框架。代码将在接受后公开。
引用
@article{arxiv.2511.11004,
title = {MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis},
author = {Yiran Song and Yikai Zhang and Shuang Zhou and Guojun Xiong and Xiaofeng Yang and Nian Wang and Fenglong Ma and Rui Zhang and Mingquan Lin},
journal= {arXiv preprint arXiv:2511.11004},
year = {2025}
}
备注
15page,5 figures,8 tables