Jun, 2024

xMIL: 在组织病理学中的多实例学习中的有见地解释

PDF
TL;DR通过引入解释性人工智能（XAI）的方法并使用层内相关传播（LRP）技术，我们重新审视了多实例学习（MIL），并提出了一种更具一般性假设的改进框架 xMIL。通过在三个模拟设置和四个真实组织病理学数据集上进行大量评估实验，我们展示了如何获得改进的 MIL 解释。我们的方法在具有挑战性的生物标志物预测任务中特别改善了忠实度评分。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，这对于数字组织病理学中的知识发现和模型调试来说是一项重大进展。
发现论文，激发创造
  • ProtoMIL: 使用原型零件进行多示例学习的全幻灯片图像分类

    本文介绍了一种基于可视化原型的 ProtoMIL 弱监督机器学习方法，该方法将原型特征融入对象描述中，使模型能够同时具备高精度和细粒度可解释性。该方法在五个公认的 MIL 数据集上进行了实验验证。

    Aug, 2021

  • SI-MIL: 驯服千兆像素组织病理学中深度无监督学习的自解释性

    为了提高对 Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的 MIL 方法（SI-MIL），它通过深度 MIL 框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性预测，并在三种癌症类型的 WSI 级别预测任务上展示了与先进方法相媲美的结果。

    Dec, 2023

  • DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

    提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

    Mar, 2022

  • 病理图像诊断的跨尺度多实例学习

    研究了一种新的跨尺度多实例学习算法，并将其应用于病理学影像诊断中，通过整合多尺度信息和跨尺度关系来提高诊断准确率。在内部和公共数据集上均表现出优异的性能。

    Apr, 2023

  • 多实例学习的模型无关可解释性

    本文研究了多示例学习（MIL）中模型的可解释性，并提出了几种模型无关的方法来满足这些要求，在多个数据集上与现有的基于模型的 MIL 模型进行比较，并取得了高达 30% 的解释性准确性的提高。同时研究了这些方法识别实例间相互作用的能力和扩展到大型数据集，从而提高了它们应对实际问题的能力。

    Jan, 2022

  • ProMIL：面向医学成像的概率多示例学习

    本研究提出了一种基于深度神经网络和 Bernstein 多项式估计的专用实例方法 ProMIL 来解决多实例学习中标签分配问题，并证明其在医学应用方面胜过标准基于实例模型。

    Jun, 2023

  • 多实例学习：问题特征和应用综述

    本文综合研究了不同类型的多实例学习问题的特点，并提供了解决每一类问题的方法，考察了这些特征在关键应用领域中的体现，最后通过实验比较了 16 种最先进的算法在所选问题特征上的性能。

    Dec, 2016

  • 使用深度多实例学习和对比预测编码的半监督组织学分类

    本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。

    Oct, 2019

  • 适用于罕见贫血疾病分类的异常感知多实例学习

    本文提出了一种可解释的池化方法用于多实例学习，该方法利用负包的实例级信息（即健康个体的同质良性细胞），提高了异常实例的贡献度，从而解决了在罕见贫血疾病分类中缺乏训练数据和实例级注释等问题，并优于标准 MIL 分类算法并提供了其决策背后的有意义的解释。

    Jul, 2022

  • 基于注意力机制的深度多示例学习

    本文提出了一种基于神经网络的置换不变聚合运算符，并展示了其在多个 MIL 数据集上的实验表现，特别是在两个真实组织病理学数据集上的表现，同时保持了可解释性。

    Feb, 2018