自监督增强数字病理学中基于实例的多实例学习方法：一项基准研究
计算机视觉与模式识别
2025-05-05 v1 人工智能
摘要
多实例学习（MIL）已成为全切片图像（WSI）分类的最佳解决方案。该方法将每个切片划分为多个图像块，这些图像块被视为一个带有全局标签的实例包。MIL 包括两种主要方法：基于实例的和基于嵌入的。在前者中，每个图像块被独立分类，然后聚合图像块分数以预测包标签。在后者中，包分类是在聚合图像块嵌入后进行的。尽管基于实例的方法本质上更具可解释性，但基于嵌入的 MIL 过去通常因其对较差特征提取器的鲁棒性而更受青睐。然而，最近，通过自监督学习（SSL），特征嵌入的质量已大幅提高。尽管如此，许多作者继续认可基于嵌入的 MIL 的优越性。为了进一步研究这一点，我们在 4 个数据集上进行了 710 次实验，比较了 10 种 MIL 策略、6 种自监督方法（搭配 4 种骨干网络）、4 个基础模型以及各种病理学适应技术。此外，我们引入了 4 种以前从未在病理学领域使用过的基于实例的 MIL 方法。通过这些广泛的实验，我们表明，借助良好的 SSL 特征提取器，参数极少的简单基于实例的 MIL 可以获得与复杂、最先进的（SOTA）基于嵌入的 MIL 方法相似或更好的性能，并在 BRACS 和 Camelyon16 数据集上取得了新的 SOTA 结果。由于简单的基于实例的 MIL 方法对临床医生来说更易解释和说明，我们的结果表明，应将更多精力投入到适用于 WSI 的 SSL 方法上，而不是复杂的基于嵌入的 MIL 方法上。
引用
@article{arxiv.2505.01109,
title = {Self-Supervision Enhances Instance-based Multiple Instance Learning Methods in Digital Pathology: A Benchmark Study},
author = {Ali Mammadov and Loic Le Folgoc and Julien Adam and Anne Buronfosse and Gilles Hayem and Guillaume Hocquet and Pietro Gori},
journal= {arXiv preprint arXiv:2505.01109},
year = {2025}
}
备注
Accepted for publication in the Journal of Medical Imaging (SPIE)