ReaMIL：面向全切片组织病理学的推理与证据感知多实例学习

我们引入了 ReaMIL（推理与证据感知的多实例学习），这是一种用于全切片组织病理学的多实例学习方法，它在一个强大的多实例学习骨干网络上增加了一个轻量级选择头。该选择头产生软性的逐图块门控，并通过一个预算充分性目标进行训练：该目标是一个合页损失函数，强制要求仅使用保留的证据，在所选图块数量的稀疏性预算下，真实类别的概率达到 $\geq \tau$。预算充分性目标在不牺牲基线性能的情况下，产生了小而空间紧凑的证据集。在 TCGA-NSCLC（肺腺癌 vs. 肺鳞癌）、TCGA-BRCA（浸润性导管癌 vs. 其他）和 PANDA 数据集上，ReaMIL 匹配或略微提升了基线 AUC，并提供了定量的证据效率诊断。在 NSCLC 上，它在 $\tau = 0.90$ 时达到了 0.983 的 AUC，平均最小充分 K（MSK）$\approx 8.2$ 个图块，以及 AUKC $\approx 0.864$，表明一旦保留一小部分图块，类别置信度就会急剧上升并趋于稳定。该方法无需额外监督，可与标准的多实例学习训练无缝集成，并自然地生成全切片级别的叠加图。我们报告了准确率以及 MSK、AUKC 和连续性指标，以对模型在全切片图像上的行为进行严格评估。