OTSurv：一种面向生存预测的、具备异质性感知最优传输的多示例学习新框架
计算机视觉与模式识别
2025-06-30 v2
摘要
基于全切片图像(WSIs)的生存预测可被建模为多示例学习(MIL)问题。然而,现有 MIL 方法往往无法显式地刻画 WSI 内部的病理异质性——既包括全局层面长尾形态分布所体现的异质性,也包括局部层面切片级预测不确定性所体现的异质性。最优传输(OT)通过引入边际分布约束,为建模此类异质性提供了一种原则化的途径。基于这一认识,我们从最优传输的视角出发,提出了一种新颖的 MIL 框架 OTSurv。具体而言,OTSurv 将生存预测建模为一个异质性感知的最优传输问题,并施加两项约束:(1) 全局长尾约束——通过调节传输质量分配来刻画先验形态分布,从而避免模式坍缩与过度均匀化;(2) 局部不确定性感知约束——通过逐步提升总传输质量,优先处理高置信度切片并抑制噪声。随后,我们将加入上述约束后的初始 OT 问题重新表述为一个非平衡 OT 公式,并可借助一种高效且对硬件友好的矩阵缩放算法加以求解。实验方面,OTSurv 在六个主流基准上刷新了当前最优性能,平均 C-index 绝对提升 3.6%。此外,OTSurv 在 log-rank 检验中具有统计显著性,并具备良好的可解释性,使其成为数字病理中生存预测的有力工具。代码已开源,见 https://github.com/Y-Research-SBU/OTSurv。
引用
@article{arxiv.2506.20741,
title = {OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport},
author = {Qin Ren and Yifan Wang and Ruogu Fang and Haibin Ling and Chenyu You},
journal= {arXiv preprint arXiv:2506.20741},
year = {2025}
}
备注
Accepted by International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2025)