xMIL：组织病理学中多实例学习的深刻解释
机器学习
2025-01-08 v3 计算机视觉与模式识别
摘要
多实例学习（MIL）是一种有效且广泛使用的弱监督机器学习方法。在组织病理学中，MIL模型在肿瘤检测、生物标志物预测和预后预测等任务中取得了显著成功。然而，MIL解释方法仍然滞后，因为它们仅限于小包大小或忽略实例交互。我们通过可解释人工智能（XAI）的视角重新审视MIL，并引入了xMIL，一个具有更一般假设的改进框架。我们演示了如何使用逐层相关性传播（LRP）获得改进的MIL解释，并在三个玩具设置和四个真实世界组织病理学数据集上进行了广泛的评估实验。我们的方法始终优于以前的解释尝试，在具有挑战性的生物标志物预测任务上特别提高了忠实度分数。最后，我们展示了xMIL解释如何使病理学家能够从MIL模型中提取见解，代表了数字组织病理学中知识发现和模型调试的重大进步。代码可在https://github.com/bifold-pathomics/xMIL获取。
引用
@article{arxiv.2406.04280,
title = {xMIL: Insightful Explanations for Multiple Instance Learning in Histopathology},
author = {Julius Hense and Mina Jamshidi Idaji and Oliver Eberle and Thomas Schnake and Jonas Dippel and Laure Ciernik and Oliver Buchstab and Andreas Mock and Frederick Klauschen and Klaus-Robert Müller},
journal= {arXiv preprint arXiv:2406.04280},
year = {2025}
}