RetMIL：用于组织病理学全切片图像分类的保留式多实例学习

基于深度学习的组织病理学全切片图像分析已成为计算病理学的研究热点。当前范式主要基于多实例学习，其中以Transformer为骨干的方法得到了广泛讨论。这些方法通过将图像块表示为全切片图像序列中的令牌，将全切片图像任务转化为序列任务。然而，由高度异质性带来的特征复杂性以及由千兆像素尺寸带来的超长序列，使得基于Transformer的多实例学习方法面临内存消耗高、推理速度慢和性能不足的挑战。为此，我们提出了一种名为RetMIL的保留式多实例学习方法，该方法通过层次化特征传播结构处理全切片图像序列。在局部层面，全切片图像序列被划分为多个子序列。每个子序列的令牌通过并行线性保留机制进行更新，并利用注意力层进行聚合。在全局层面，子序列被融合成一个全局序列，然后通过串行保留机制进行更新，最后通过全局注意力池化获得切片级表示。我们在两个公开的CAMELYON和BRACS数据集以及一个公开内部LUNG数据集上进行了实验，证实RetMIL不仅实现了最先进的性能，而且显著降低了计算开销。我们的代码将很快公开。