面向数字病理中多示例学习的结构化状态空间模型
计算机视觉与模式识别
2023-06-29 v1 机器学习
摘要
多示例学习是组织病理数据的理想分析模式，此类数据中海量的全切片图像通常仅以单一全局标签标注。在此情形下，全切片图像被建模为若干组织块（patch）的集合，需进行聚合与分类。执行该分类的常用模型包括循环神经网络与transformers。尽管使用了深度预训练神经网络等强大的压缩算法来降低每个patch的维度，全切片图像所产生的序列仍过长，常包含数万个patch。结构化状态空间模型是一种新兴的序列建模替代方案，专为高效建模长序列而设计。这些模型将输入序列最优投影至压缩整个序列的记忆单元中。本文提出将状态空间模型作为多示例学习器应用于数字病理中的多种问题。在转移检测、癌症亚型分类、突变分类与多任务学习的实验中，我们证明了这类新模型与现有SOTA方法具有竞争力。我们的代码见 https://github.com/MICS-Lab/s4_digital_pathology。
引用
@article{arxiv.2306.15789,
title = {Structured State Space Models for Multiple Instance Learning in Digital Pathology},
author = {Leo Fillioux and Joseph Boyd and Maria Vakalopoulou and Paul-Henry Cournède and Stergios Christodoulidis},
journal= {arXiv preprint arXiv:2306.15789},
year = {2023}
}