降低数字病理学多实例学习方法的变异性
计算机视觉与模式识别
2025-07-03 v2 人工智能
摘要
数字病理学通过将组织样本数字化为全切片图像（WSI）已彻底革新了该领域。然而，WSI 的高分辨率和庞大尺寸在应用深度学习模型时 presents 重大挑战。作为解决方案，WSI 常被划分为更小的补丁，每个切片以全局标签（即诊断）为单位，而非进行昂贵的像素级标注。通过将每个切片视为一个包含补丁的袋子，多个实例学习（MIL）方法已成为 WSI 分类的合适方法。MIL 方法的一个主要缺点是其在不同运行间的性能变异性高，可达测试集上的 10-15 个 AUC 点，使可靠地比较不同 MIL 方法变得困难。这种变异性主要来自三个因素：i) 权重初始化，ii) 小批次（混洗）排序，iii) 学习率。为解决此问题，我们引入了一种用于 MIL 方法的多保真度、模型融合策略。我们首先训练多个模型几个 epoch，并根据验证分数对最稳定且最有前景的模型进行平均。这一方法可应用于任何现有的 MIL 模型，以减少性能变异性。它还简化了超参数调优，提高了可重复性，同时保持计算效率。我们在使用 2 个数据集、3 种初始化策略和 5 种 MIL 方法进行的 2000 多次实验中广泛验证了该方法。
引用
@article{arxiv.2507.00292,
title = {Reducing Variability of Multiple Instance Learning Methods for Digital Pathology},
author = {Ali Mammadov and Loïc Le Folgoc and Guillaume Hocquet and Pietro Gori},
journal= {arXiv preprint arXiv:2507.00292},
year = {2025}
}
备注
MICCAI 2025 - This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this article is published in LNCS, Springer