基于 Shapley 值的渐进式伪包增强全切片图像分类方法

在计算病理学中，全切片图像（WSI）分类因其千兆像素级分辨率和有限的细粒度标注而面临巨大挑战。多示例学习（MIL）提供了一种弱监督解决方案，但从包级标签中提炼实例级信息仍具挑战。大多数传统 MIL 方法使用注意力分数来估计实例重要性分数（IIS），这有助于预测切片标签，但往往导致注意力分布偏斜以及在识别关键实例时不准确。为解决这些问题，受合作博弈论启发，我们提出了一种新方法：采用 Shapley 值评估每个实例的贡献，从而改进 IIS 估计。随后利用注意力加速 Shapley 值的计算，同时保持增强的实例识别与优先级排序。我们进一步引入了一个基于估计 IIS 渐进分配伪包的框架，以鼓励 MIL 模型中更均衡的注意力分布。我们在 CAMELYON-16、BRACS、TCGA-LUNG 和 TCGA-BRCA 数据集上的大量实验表明，该方法优于现有的最先进方法，提供了更好的可解释性和类别级洞察。源代码可在 https://github.com/RenaoYan/PMIL 获取。