cDP-MIL：基于级联狄利克雷过程的鲁棒多实例学习
内容提要
本文探讨了多实例学习（MIL）在组织病理学中的应用，提出了多种新方法以提高全幻灯片图像（WSI）分类和肿瘤检测的准确性。这些方法包括虚拟伪包、基于注意力机制的模型和原型学习框架，均显示出优于现有技术的性能，推动了自动化病理工作流程的发展。
延伸解读
多实例学习在病理学中的核心挑战
全幻灯片图像（WSI）分类面临标注数据稀缺和实例级注释缺失的难题。多实例学习（MIL）将整张切片视为包，图像块视为实例，仅需切片级标签即可训练，降低了标注成本。然而，如何有效聚合实例特征、处理包内异质性以及避免上下文偏差，是提升分类准确性的关键。本文综述的多种方法从不同角度应对这些挑战，推动了自动化病理工作流程的发展。
方法创新：从虚拟伪包到干预式训练
为扩大样本量，虚拟伪包概念被引入，通过双层MIL框架生成伪包并推导实例概率，显著提升分类性能。同时，干预式训练方案IBMIL利用后门调整消除包上下文先验偏差，克服了现有MIL方法的局限性。这些创新不仅提高了WSI分类的准确性，还增强了模型对数据偏差的鲁棒性，为弱监督学习提供了新思路。
性能与效率的平衡：注意力与原型学习
MAD-MIL基于多头注意力机制，在简化模型复杂度的同时，在多个公共数据集上超越ABMIL等先进模型，展示了信息多样性和可解释性。TPMIL框架则通过原型学习更准确地识别肿瘤亚型，无需依赖选定图像块。这些方法在保持较低计算成本的同时，实现了竞争性甚至更优的性能，为临床部署提供了可能。
未来方向：跨尺度融合与半监督学习
跨尺度多实例学习整合多尺度信息，在内部和公共数据集上表现出优异性能。半监督方法利用正常切片的自由标注信号，减少切片间变异性，显著提升预测性能。这些趋势表明，结合多尺度信息和半监督学习是提高病理影像诊断准确率的重要途径，有望进一步推动自动化病理工作流程的临床落地。
Q&A
什么是多实例学习（MIL）在组织病理学中的应用？
多实例学习（MIL）在组织病理学中用于全幻灯片图像（WSI）分类和肿瘤检测，通过引入新方法提高准确性。
虚拟伪包的概念如何提高WSI分类的准确性？
虚拟伪包的概念通过构建双层多实例学习框架，扩大样本数，从而显著提高WSI分类的准确性。
MAD-MIL模型的优势是什么？
MAD-MIL模型基于多头注意力机制，简化了模型复杂度，并在多个数据集上取得了竞争性结果，展示了信息多样性和可解释性。
如何通过多实例学习和半监督方法改善分类算法？
通过在正常切片上引入自由标注信号，减少切片间的变异性，从而显著提高基于切片级注释的分类算法的预测性能。
Trainable Prototype enhanced deep MIL框架的主要功能是什么？
该框架能够在弱监督下进行WSI分类，不依赖于选定的图像补丁，更准确地识别肿瘤亚型。
DGR-MIL聚类方法的创新之处在哪里？
DGR-MIL聚类方法通过建模实例之间的差异，使用全局向量提取摘要，在多个数据集上优于现有的MIL聚类模型。
