自主监督在数字病理学中增强基于实例的多实例学习方法:一项基准研究
Ali Mammadov1,2, Loïc Le Folgoc1, Julien Adam2
1Télécom Paris (Institut Polytechnique de Paris), Palaiseau, France.
Journal of medical imaging (Bellingham, Wash.)
|June 6, 2025
概括
简单的基于实例的多实例学习 (MIL) 方法在与强大的自我监督学习 (SSL) 功能提取器相结合时,在整个幻灯片图像 (WSI) 分类中实现了最先进的性能. 与基于嵌入的复杂MIL方法相比,这种方法为临床医生提供了更好的解释性.
科学领域:
- 计算病理学计算病理学
- 机器学习用于医学成像.
背景情况:
- 多个实例学习 (MIL) 是整个幻灯片图像 (WSI) 分类的关键技术,将幻灯片视为补丁袋.
- MIL方法广泛分为基于实例的方法和基于嵌入的方法.
- 从历史上看,基于嵌入的MIL由于稳定性而占主导地位,尽管基于实例的方法提供了更好的解释性.
研究的目的:
- 在WSI分类中评估基于实例的MIL策略与基于嵌入的MIL策略的性能.
- 调查自主监督学习 (SSL) 最近进步对MIL绩效的影响.
- 引入针对病理学领域量身定制的基于实例的新型MIL方法.
主要方法:
- 在4个数据集中进行了710次实验.
- 我们比较了10个MIL策略,6个SSL方法4个骨干和4个基础模型.
- 引入了4种新的基于实例的MIL方法用于病理学应用.
主要成果:
- 基于实例的MIL方法与有效的SSL特征提取器匹配或超过基于嵌入的复杂方法.
- 在BRACS和Camelyon16数据集上取得了最新的结果.
- 基于简单实例的MIL模型在较少的参数下表现出强的性能.
结论:
- 先进的SSL技术提高了简单的基于实例的MIL WSI分类的性能.
- 基于实例的MIL方法为临床应用提供了更好的解释性.
- 未来的研究应该优先考虑为WSI开发定制的SSL方法,而不是复杂的基于嵌入的MIL方法.
