論文の概要: Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification

• arxiv url: http://arxiv.org/abs/2503.08384v1
• Date: Tue, 11 Mar 2025 12:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:42:45.650277
• Title: Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification
• Title（参考訳）: ギガピクセル全スライド画像分類のためのプロトタイプベースマルチインスタンス学習
• Authors: Susu Sun, Dominique van Midden, Geert Litjens, Christian F. Baumgartner,
• Abstract要約: ProtoMILは、スライド画像全体(WSI)解析のための本質的に解釈可能なMILモデルである。 提案手法では,画像特徴空間から人間の解釈可能な概念を発見するために,スパースオートエンコーダを用いる。 ProtoMILでは、入力概念を変更することでモデルの介入を行うことができる。
• 参考スコア（独自算出の注目度）: 3.9817342822800916
• License:
• Abstract: Multiple Instance Learning (MIL) methods have succeeded remarkably in histopathology whole slide image (WSI) analysis. However, most MIL models only offer attention-based explanations that do not faithfully capture the model's decision mechanism and do not allow human-model interaction. To address these limitations, we introduce ProtoMIL, an inherently interpretable MIL model for WSI analysis that offers user-friendly explanations and supports human intervention. Our approach employs a sparse autoencoder to discover human-interpretable concepts from the image feature space, which are then used to train ProtoMIL. The model represents predictions as linear combinations of concepts, making the decision process transparent. Furthermore, ProtoMIL allows users to perform model interventions by altering the input concepts. Experiments on two widely used pathology datasets demonstrate that ProtoMIL achieves a classification performance comparable to state-of-the-art MIL models while offering intuitively understandable explanations. Moreover, we demonstrate that our method can eliminate reliance on diagnostically irrelevant information via human intervention, guiding the model toward being right for the right reason. Code will be publicly available at https://github.com/ss-sun/ProtoMIL.
• Abstract（参考訳）: マルチ・インスタンス・ラーニング (MIL) 法は, 病理組織学的全体像 (WSI) 解析において著しく成功している。 しかし、ほとんどのMILモデルは、モデルの決定メカニズムを忠実に捉えておらず、人間とモデルの相互作用を許さない注意に基づく説明しか提供しない。 これらの制約に対処するため,WSI分析のための本質的に解釈可能なMILモデルであるProtoMILを導入し,ユーザフレンドリな説明を提供し,人間の介入を支援する。 提案手法では,画像特徴空間から人間の解釈可能な概念を発見するために,スパースオートエンコーダを用いて,ProtoMILのトレーニングに使用する。 このモデルは、予測を概念の線形結合として表現し、決定過程を透過的にする。 さらに、ProtoMILは入力概念を変更することでモデル介入を行うことができる。 広く使用されている2つの病理データセットの実験により、ProtoMILは、直感的に理解できる説明を提供しながら、最先端のMILモデルに匹敵する分類性能を達成することが示された。 さらに,本手法は,人間の介入によって診断に無関係な情報への依存を排除し,正しい理由のためにモデルが正しいことを導くことを実証する。 コードはhttps://github.com/ss-sun/ProtoMILで公開される。

関連論文リスト

• Label-free Concept Based Multiple Instance Learning for Gigapixel Histopathology [3.3353153750791718]
  MIL(Multiple Instance Learning)メソッドは、スライドレベルのアノテーションだけで、ギガピクセルのWSI(Whole-Slide Image)解析を可能にする。 本稿では,人間の理解可能な病理概念を用いて説明を生成するWSI分類手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T11:03:04Z)
• xMIL: Insightful Explanations for Multiple Instance Learning in Histopathology [13.939494815120666]
  マルチ・インスタンス・ラーニング(MIL)は、弱教師付き機械学習において効果的で広く利用されている手法である。 我々は、説明可能なAI(XAI)のレンズを通してMILを再考し、より一般的な仮定を持つ洗練されたフレームワークであるxMILを紹介した。 提案手法は, バイオマーカー予測タスクにおいて, 特に忠実度が向上し, 従来の説明手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-06T17:26:40Z)
• Prompt-Guided Adaptive Model Transformation for Whole Slide Image Classification [27.21493446754789]
  スライド画像全体(WSI)を分類する一般的な方法として,Multiple Case Learning (MIL)が登場した。 本稿では,事前学習したモデルを病理組織学データの特定の特性にシームレスに適応するPrompt-Guided Adaptive Model Transformationフレームワークを提案する。 我々は,Camelyon16とTCGA-NSCLCの2つのデータセットに対するアプローチを厳格に評価し,様々なMILモデルに対して大幅な改善を行った。
  論文  参考訳（メタデータ） (2024-03-19T08:23:12Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
  本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。 ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
  論文  参考訳（メタデータ） (2024-01-11T18:57:17Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Introducing instance label correlation in multiple instance learning. Application to cancer detection on histopathological images [5.895585247199983]
  本研究では,VGPMIL-PRと呼ばれる最先端のGPベースのMIL法を拡張し,その相関性を利用する。 我々のモデルは、他の最先端確率的MIL法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-30T08:57:59Z)
• Reproducibility in Multiple Instance Learning: A Case For Algorithmic Unit Tests [59.623267208433255]
  多重インスタンス学習(MIL)は、正と負のラベルと入力の「バグ」を持つ分類問題のサブドメインである。 本研究では,最も顕著な深層MILモデルの5つについて検討し,いずれも標準MILの仮定を尊重していないことを明らかにする。 提案した"アルゴリズムユニットテスト"によってこの問題を特定し,実証する。そこでは,MILを尊重するモデルによって解決可能な,合成データセットを作成する。
  論文  参考訳（メタデータ） (2023-10-27T03:05:11Z)
• ProtoMIL: Multiple Instance Learning with Prototypical Parts for Fine-Grained Interpretability [2.094672430475796]
  マルチインスタンス学習(MIL)は、教師付きの弱い性質のため、多くの実生活の機械学習アプリケーションで人気を博している。 本稿では,視覚プロトタイプで動作するケースベース推論プロセスにインスパイアされた,自己説明可能な新しいMIL手法であるProtoMILを紹介する。 ProtoMILは、オブジェクト記述にプロトタイプ機能を組み込むことで、モデル精度と微妙な解釈可能性に前例のない結合を実現している。
  論文  参考訳（メタデータ） (2021-08-24T10:02:31Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。