SC-MIL：用于病理学中不平衡分类的监督对比多示例学习
计算机视觉与模式识别
2023-09-12 v2 机器学习
摘要
多示例学习（MIL）模型已广泛用于病理学，以从十亿像素级图像中预测生物标志物并对患者进行风险分层。医学影像中的机器学习问题常涉及罕见疾病，使得这些模型在标签不平衡设定下工作十分重要。在病理图像中，还存在另一层面的不平衡：给定一个正标签的全切片图像（WSI），其中仅有部分像素贡献于正标签。这加剧了不平衡的严重性，并使病理学中的不平衡分类具有挑战性。此外，当模型在真实世界中部署时，这些不平衡可能出现在分布外（OOD）数据集中。我们利用这样一种思路：解耦特征与分类器学习可改善标签不平衡数据集的决策边界。为此，我们研究了监督对比学习与多示例学习（SC-MIL）的整合。具体而言，我们提出了一种在标签不平衡条件下的联合训练 MIL 框架，其从学习包级表示逐步过渡到最优分类器学习。我们针对癌症病理学中两个充分研究的问题——非小细胞肺癌分型与肾细胞癌分型——在不同不平衡设定下进行了实验。SC-MIL 在多种不平衡设定下，于分布内（ID）与 OOD 留出集上均相较其他技术提供了大幅且一致的改进。
引用
@article{arxiv.2303.13405,
title = {SC-MIL: Supervised Contrastive Multiple Instance Learning for Imbalanced Classification in Pathology},
author = {Dinkar Juyal and Siddhant Shingi and Syed Ashar Javed and Harshith Padigela and Chintan Shah and Anand Sampat and Archit Khosla and John Abel and Amaro Taylor-Weiner},
journal= {arXiv preprint arXiv:2303.13405},
year = {2023}
}