基于原型的多示例学习用于千兆像素全切片图像分类
计算机视觉与模式识别
2025-07-17 v2
摘要
多示例学习（MIL）方法在组织病理学全切片图像（WSI）分析中取得了显著成功。然而，大多数 MIL 模型仅提供基于注意力的解释，这些解释未能忠实地反映模型的决策机制，且不支持人机交互。为了解决这些局限性，我们引入了 ProtoMIL，一种用于 WSI 分析的内在可解释 MIL 模型，它提供用户友好的解释并支持人工干预。我们的方法采用稀疏自编码器从图像特征空间中发现人类可解释的概念，随后用这些概念训练 ProtoMIL。该模型将预测表示为概念的线性组合，使决策过程透明化。此外，ProtoMIL 允许用户通过修改输入概念来执行模型干预。在两个广泛使用的病理学数据集上的实验表明，ProtoMIL 实现了与最先进的 MIL 模型相当的分类性能，同时提供了直观易懂的解释。此外，我们证明了我们的方法可以通过人工干预消除对诊断无关信息的依赖，引导模型基于正确的原因做出正确决策。代码将在 https://github.com/ss-sun/ProtoMIL 公开。
引用
@article{arxiv.2503.08384,
title = {Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification},
author = {Susu Sun and Dominique van Midden and Geert Litjens and Christian F. Baumgartner},
journal= {arXiv preprint arXiv:2503.08384},
year = {2025}
}
备注
Accepted to MICCAI 2025