nnMIL：面向计算病理学的可泛化多实例学习框架
计算机视觉与模式识别
2025-11-20 v1
摘要
计算病理学在改善诊断和指导治疗决策方面具有巨大潜力。近期的病理基础模型能够从大规模全切片图像（WSI）中提取丰富的切片级表示，但当前将这些特征聚合为切片级预测的方法仍受限于设计上的局限性，阻碍了泛化性和可靠性。在此，我们开发了 nnMIL，一个简单但广泛适用的多实例学习框架，将切片级基础模型与稳健的切片级临床推理相连接。nnMIL 在切片级和特征级均引入随机采样，从而实现大批量优化、面向任务的采样策略，以及跨数据集和模型架构的高效可扩展训练。一个轻量级聚合器执行滑动窗口推理以生成集成切片级预测，并支持原则性的不确定性估计。在涵盖 35 项临床任务和四种病理基础模型的 40,000 张 WSI 上，nnMIL 在疾病诊断、组织学亚型分类、分子生物标志物检测和泛癌预后预测方面持续优于现有的 MIL 方法。它进一步展示了强大的跨模型泛化能力、可靠的不确定性量化以及在多个外部队列中的稳健生存分层。综上所述，nnMIL 提供了将病理基础模型转化为临床有意义预测的实用且可泛化的解决方案，推动了可靠 AI 系统在真实场景中的开发与部署。
引用
@article{arxiv.2511.14907,
title = {nnMIL: A generalizable multiple instance learning framework for computational pathology},
author = {Xiangde Luo and Jinxi Xiang and Yuanfeng Ji and Ruijiang Li},
journal= {arXiv preprint arXiv:2511.14907},
year = {2025}
}
备注
A conceptual evaluation work; more studies are in progress; examples are here (https://github.com/Luoxd1996/nnMIL)