論文の概要: C$^2$MIL: Synchronizing Semantic and Topological Causalities in Multiple Instance Learning for Robust and Interpretable Survival Analysis

• arxiv url: http://arxiv.org/abs/2509.20152v1
• Date: Wed, 24 Sep 2025 14:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.843847
• Title: C$^2$MIL: Synchronizing Semantic and Topological Causalities in Multiple Instance Learning for Robust and Interpretable Survival Analysis
• Title（参考訳）: C$2$MIL:ロバストかつ解釈可能な生存分析のための複数インスタンス学習における意味的・トポロジカルな因果関係の同期
• Authors: Min Cen, Zhenfeng Zhuang, Yuzhe Zhang, Min Zeng, Baptiste Magnier, Lequan Yu, Hong Zhang, Liansheng Wang,
• Abstract要約: グラフベースのMultiple Instance Learning (MIL)は、ヘマトキシリンとEosin(H&E)による全スライド画像(WSI)の生存分析に広く用いられている。 染色と走査のバリエーションは意味バイアスをもたらすが、因果関係に関係のないトポロジカルな部分グラフはノイズを引き起こすことがある。 両因果グラフに基づくMILモデルC$2$MILを提案する。
• 参考スコア（独自算出の注目度）: 40.54380946239706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based Multiple Instance Learning (MIL) is widely used in survival analysis with Hematoxylin and Eosin (H\&E)-stained whole slide images (WSIs) due to its ability to capture topological information. However, variations in staining and scanning can introduce semantic bias, while topological subgraphs that are not relevant to the causal relationships can create noise, resulting in biased slide-level representations. These issues can hinder both the interpretability and generalization of the analysis. To tackle this, we introduce a dual structural causal model as the theoretical foundation and propose a novel and interpretable dual causal graph-based MIL model, C$^2$MIL. C$^2$MIL incorporates a novel cross-scale adaptive feature disentangling module for semantic causal intervention and a new Bernoulli differentiable causal subgraph sampling method for topological causal discovery. A joint optimization strategy combining disentangling supervision and contrastive learning enables simultaneous refinement of both semantic and topological causalities. Experiments demonstrate that C$^2$MIL consistently improves generalization and interpretability over existing methods and can serve as a causal enhancement for diverse MIL baselines. The code is available at https://github.com/mimic0127/C2MIL.
• Abstract（参考訳）: グラフベースのMultiple Instance Learning (MIL) は、トポロジカル情報をキャプチャできるため、Hematoxylin と Eosin (H\&E) による全スライド画像 (WSI) のサバイバル解析に広く用いられている。 しかし、染色や走査のバリエーションは意味バイアスをもたらすが、因果関係に関係のないトポロジカルな部分グラフはノイズを生じさせ、バイアスのあるスライドレベルの表現をもたらす。 これらの問題は解析の解釈可能性と一般化の両方を妨げる可能性がある。 これを解決するために、理論的基礎として二重構造因果モデルを導入し、新しく解釈可能な二重因果グラフベースのMILモデルC$^2$MILを提案する。 C$2$MILは、意味的因果的介入のための新しいクロススケール適応的特徴分離モジュールと、トポロジ的因果的発見のための新しいBernoulli微分因果部分グラフサンプリング手法を組み込んでいる。 絡み合う監督と対照的な学習を組み合わせた共同最適化戦略は、意味的因果関係と位相的因果関係の両方を同時に改善することができる。 実験により、C$^2$MILは既存の手法に対する一般化と解釈性を一貫して改善し、多様なMILベースラインの因果的拡張として機能することが示された。 コードはhttps://github.com/mimic0127/C2MILで入手できる。

関連論文リスト

• OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport [58.5751036808652]
  全スライド画像(WSI)を用いた生存予測は、多重インスタンス学習(MIL)問題として定式化することができる。 我々は、最適な輸送の観点から、新しいMILフレームワークであるOTSurvを提案する。 我々は6つの人気のあるベンチマークで新しい結果を設定し、平均的なCインデックスで絶対3.6%の改善を達成した。
  論文  参考訳（メタデータ） (2025-06-25T18:09:42Z)
• Few-Shot Learning from Gigapixel Images via Hierarchical Vision-Language Alignment and Modeling [45.67022392509926]
  HiVE-MILは、粗い(5x)と細い(20x)視覚/テキストノード間の親子リンクからなる統一グラフを構築するビジョン言語フレームワークである。 セマンティック一貫性をさらに強化するため、HiVE-MILには2段階のテキスト誘導動的フィルタリング機構が組み込まれている。 TCGA乳がん、肺がん、腎臓がんのデータセットの実験では、HiVE-MILは従来のMILと最近のVLMベースのMILアプローチの両方で一貫して優れていた。
  論文  参考訳（メタデータ） (2025-05-23T14:48:32Z)
• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:06:14Z)
• Raising the Bar in Graph OOD Generalization: Invariant Learning Beyond Explicit Environment Modeling [61.222803636132554]
  実世界のグラフデータは、従来のモデルでは一般化できない、多様で変化する環境を示すことが多い。 マルチプロトタイプ超球形不変学習(MPHIL)と呼ばれる新しい手法を提案する。 MPHILは最先端のパフォーマンスを実現し、様々なドメインからのグラフデータと異なる分散シフトで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-15T07:40:14Z)
• The Role of Graph-based MIL and Interventional Training in the Generalization of WSI Classifiers [8.867734798489037]
  病理スライドの高解像度デジタルスキャンを含むWSI(Whole Slide Imaging)は、がん診断のゴールドスタンダードとなっている。 ギガピクセルの解像度と注釈付きデータセットの不足は、ディープラーニングモデルの課題を示している。 WSI 分類のための新しいフレームワークである Graph-based Multiple Instance Learning with Interventional Training (GMIL-IT) を導入する。
  論文  参考訳（メタデータ） (2025-01-31T11:21:08Z)
• PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis [1.1619559582563954]
  空間多モードオミクス解析(PRAGA)のためのPRototype-Aware Graph Adaptative Aggregationを提案する。 PRAGAは動的グラフを構築し、潜在意味関係を捉え、空間情報と特徴意味論を包括的に統合する。 学習可能なグラフ構造は、クロスモーダルな知識を学習することで摂動を損なうこともできる。
  論文  参考訳（メタデータ） (2024-09-19T12:53:29Z)
• 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)
• CausalGym: Benchmarking causal interpretability methods on linguistic tasks [52.61917615039112]
  CausalGymを使って、モデル動作に因果的に影響を及ぼす解釈可能性手法のベンチマークを行う。 ピチアモデル (14M--6.9B) について検討し, 幅広い解釈可能性手法の因果効果について検討した。 DASは他の手法よりも優れており、2つの困難な言語現象の学習軌跡の研究に利用している。
  論文  参考訳（メタデータ） (2024-02-19T21:35:56Z)
• SI-MIL: Taming Deep MIL for Self-Interpretability in Gigapixel Histopathology [31.21142367010005]
  自己解釈型MIL(英: Self-Interpretable MIL, SI-MIL)は、本質的には最初期の解釈性のために設計された手法である。 SI-MILは、手作りの病理学的特徴に基づく解釈可能な分岐を導くために、深いMILフレームワークを使用している。 線形予測制約により、SI-MILはモデル解釈可能性と性能の間の必然的なトレードオフの神話に挑戦する。
  論文  参考訳（メタデータ） (2023-12-22T18:59:05Z)

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。