論文の概要: Self-Supervision Enhances Instance-based Multiple Instance Learning Methods in Digital Pathology: A Benchmark Study

• arxiv url: http://arxiv.org/abs/2505.01109v1
• Date: Fri, 02 May 2025 08:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.969571
• Title: Self-Supervision Enhances Instance-based Multiple Instance Learning Methods in Digital Pathology: A Benchmark Study
• Title（参考訳）: 自己スーパービジョンは、デジタル病理学におけるインスタンスベースの複数インスタンス学習方法を強化する:ベンチマークスタディ
• Authors: Ali Mammadov, Loic Le Folgoc, Julien Adam, Anne Buronfosse, Gilles Hayem, Guillaume Hocquet, Pietro Gori,
• Abstract要約: 複数のインスタンス学習(MIL)がWSI(Whole Slide Image)分類のベストソリューションとして登場した。 我々は,4つのデータセットにわたる710の実験を行い,10のMIL戦略,4つのバックボーンと6つの自己管理手法,4つの基礎モデル,および様々な病理適応手法を比較した。 優れたSSL機能抽出器により、単純なインスタンスベースのMILが、非常に少ないパラメータで、複雑なSOTA(State-of-the-art)組み込みMILメソッドよりも、類似または優れたパフォーマンスが得られることを示す。
• 参考スコア（独自算出の注目度）: 1.7397128744416201
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiple Instance Learning (MIL) has emerged as the best solution for Whole Slide Image (WSI) classification. It consists of dividing each slide into patches, which are treated as a bag of instances labeled with a global label. MIL includes two main approaches: instance-based and embedding-based. In the former, each patch is classified independently, and then the patch scores are aggregated to predict the bag label. In the latter, bag classification is performed after aggregating patch embeddings. Even if instance-based methods are naturally more interpretable, embedding-based MILs have usually been preferred in the past due to their robustness to poor feature extractors. However, recently, the quality of feature embeddings has drastically increased using self-supervised learning (SSL). Nevertheless, many authors continue to endorse the superiority of embedding-based MIL. To investigate this further, we conduct 710 experiments across 4 datasets, comparing 10 MIL strategies, 6 self-supervised methods with 4 backbones, 4 foundation models, and various pathology-adapted techniques. Furthermore, we introduce 4 instance-based MIL methods never used before in the pathology domain. Through these extensive experiments, we show that with a good SSL feature extractor, simple instance-based MILs, with very few parameters, obtain similar or better performance than complex, state-of-the-art (SOTA) embedding-based MIL methods, setting new SOTA results on the BRACS and Camelyon16 datasets. Since simple instance-based MIL methods are naturally more interpretable and explainable to clinicians, our results suggest that more effort should be put into well-adapted SSL methods for WSI rather than into complex embedding-based MIL methods.
• Abstract（参考訳）: 複数のインスタンス学習(MIL)がWSI(Whole Slide Image)分類のベストソリューションとして登場した。 各スライドをパッチに分割し、グローバルラベルでラベル付けされたインスタンスの袋として扱われる。 MILには、インスタンスベースと埋め込みベースの2つの主要なアプローチがある。 前者では、各パッチを個別に分類し、その後、パッチスコアを集計してバッグラベルを予測する。 後者では、パッチ埋め込みを集約した後、バッグ分類を行う。 例ベースのメソッドが自然に解釈可能であるとしても、組み込みベースのMILは、機能抽出器が貧弱であるため、過去には好まれていた。 しかし最近では,自己教師付き学習(SSL)によって,機能埋め込みの品質が大幅に向上している。 それでも、多くの著者は埋め込みベースのMILの優位性を支持し続けている。 さらに,4つのデータセットにまたがる710の実験を行い,10のMIL戦略,4つのバックボーンによる自己管理手法,4つの基礎モデル,および様々な病理適応手法を比較した。 さらに,病理領域ではこれまで使われなかった4つのインスタンスベースのMIL手法を紹介した。 これらの広範な実験を通して、優れたSSL機能抽出器、単純なインスタンスベースのMILで、非常に少ないパラメータで、複雑な、最先端(SOTA)埋め込みベースのMILメソッドよりも類似または優れたパフォーマンスを得、BRACSとCamelyon16データセットに新しいSOTA結果を設定する。 単純なインスタンスベースのMILメソッドは、臨床医にとって自然に解釈可能であり、説明可能であるので、複雑な埋め込みベースのMILメソッドではなく、WSIのための適切なSSLメソッドにより多くの労力を注ぐべきである。

関連論文リスト

• A Spatially-Aware Multiple Instance Learning Framework for Digital Pathology [4.012490059423154]
  マルチプル・インスタンス・ラーニング (MIL) は、スライド画像全体を用いた病理学における弱い教師付き分類のための有望なアプローチである。 トランスフォーマーベースMIL(Transformer Based MIL)のような最近の進歩は、空間的コンテキストとパッチ間関係を取り入れている。 本研究では,この問題に対処するための対話対応表現を統合することで,ABMILフレームワークを強化する。
  論文  参考訳（メタデータ） (2025-04-24T08:53:46Z)
• How Effective Can Dropout Be in Multiple Instance Learning ? [2.0792866989795864]
  MIL(Multiple Instance Learning)は、様々なアプリケーションのための弱い教師付き手法である。 本稿では,MIL固有のドロップアウト手法であるMIL-Dropoutを提案し,どのインスタンスをドロップするかを体系的に決定する。 5つのMILベンチマークデータセットと2つのWSIデータセットの実験は、MIL-Dropoutが既存のMILメソッドのパフォーマンスを無視できる計算コストで向上させることを示した。
  論文  参考訳（メタデータ） (2025-04-21T00:46:31Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Position: From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification [51.95824566163554]
  我々は、十分に訓練された最大プーリングに基づくMILモデルが因果関係に基づく予測を行い、素早い相関に頼らずにすむことを論じる。 提案手法は,2つのデータセットにおいて,既存の注目度に基づく手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-18T12:15:22Z)
• 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)
• 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)
• Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
  全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。 本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。 位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
  論文  参考訳（メタデータ） (2022-06-22T07:00:39Z)
• CIL: Contrastive Instance Learning Framework for Distantly Supervised Relation Extraction [52.94486705393062]
  我々は、典型的なマルチインスタンス学習(MIL)フレームワークを超えて、新しいコントラッシブ・インスタンス学習(CIL)フレームワークを提案する。 具体的には、初期MILをリレーショナルトリプルエンコーダと各インスタンスに対する負のペアに対する制約正のペアとみなす。 提案手法の有効性を実験的に検証し, 提案手法をNYT10, GDS, KBPで比較検討した。
  論文  参考訳（メタデータ） (2021-06-21T04:51:59Z)
• Dual-stream Multiple Instance Learning Network for Whole Slide Image Classification with Self-supervised Contrastive Learning [16.84711797934138]
  スライド画像全体分類(WSI)の課題に対処する。 WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。 局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T20:51:15Z)
• Dual-stream Maximum Self-attention Multi-instance Learning [11.685285490589981]
  MIL(Multi-Instance Learning)は、インスタンスレベルのラベルが利用できない間に単一のクラスラベルがインスタンスのバッグに割り当てられる弱い教師付き学習の一種である。 ニューラルネットワークによりパラメータ化されたDSMILモデル(Dual-stream maximum self-attention MIL model)を提案する。 提案手法は,最高のMIL手法と比較して優れた性能を示し,ベンチマークMILデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2020-06-09T22:44:58Z)

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。