論文の概要: EfficientMIL: Efficient Linear-Complexity MIL Method for WSI Classification

• arxiv url: http://arxiv.org/abs/2509.23640v2
• Date: Sat, 04 Oct 2025 15:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.868891
• Title: EfficientMIL: Efficient Linear-Complexity MIL Method for WSI Classification
• Title（参考訳）: 効率的なMIL:WSI分類のための効率的な線形複雑MIL法
• Authors: Chengying She, Chengwei Chen, Dongjie Fan, Lizhuang Liu, Chengwei Shao, Yun Bian, Ben Wang, Xinran Zhang,
• Abstract要約: パッチ選択モジュールAdaptive Patch Selector (APS) を用いた全スライド画像(WSI)分類のための新しい線形複雑MIL手法であるEfficientMILを導入する。 効率的なMILは、複数の病理組織学データセットにまたがる他のMIL法よりも優れた計算効率の向上を実現している。
• 参考スコア（独自算出の注目度）: 7.789973233645291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole slide images (WSIs) classification represents a fundamental challenge in computational pathology, where multiple instance learning (MIL) has emerged as the dominant paradigm. Current state-of-the-art (SOTA) MIL methods rely on attention mechanisms, achieving good performance but requiring substantial computational resources due to quadratic complexity when processing hundreds of thousands of patches. To address this computational bottleneck, we introduce EfficientMIL, a novel linear-complexity MIL approach for WSIs classification with the patches selection module Adaptive Patch Selector (APS) that we designed, replacing the quadratic-complexity self-attention mechanisms in Transformer-based MIL methods with efficient sequence models including RNN-based GRU, LSTM, and State Space Model (SSM) Mamba. EfficientMIL achieves significant computational efficiency improvements while outperforming other MIL methods across multiple histopathology datasets. On TCGA-Lung dataset, EfficientMIL-Mamba achieved AUC of 0.976 and accuracy of 0.933, while on CAMELYON16 dataset, EfficientMIL-GRU achieved AUC of 0.990 and accuracy of 0.975, surpassing previous state-of-the-art methods. Extensive experiments demonstrate that APS is also more effective for patches selection than conventional selection strategies.
• Abstract（参考訳）: ワイルスライド画像(WSI)分類は、マルチインスタンス学習(MIL)が主流となっている計算病理学における根本的な課題である。 現在のSOTA (State-of-the-art) MIL法は注意機構に依存しており、優れた性能を達成できるが、数十万のパッチを処理する場合、二次的な複雑さのため、かなりの計算資源を必要とする。 この計算ボトルネックに対処するために,我々は,変換器ベースMIL法における2次複雑性自己保持機構を,RNNベースGRU,LSTM,ステートスペースモデル(SSM)Mambaに置き換えて設計した,WSIs分類のための新しい線形複雑性MILアプローチであるEfficientMILを導入する。 効率的なMILは、複数の病理組織学データセットにまたがる他のMIL法よりも優れた計算効率の向上を実現している。 TCGA-Lungデータセットでは、EfficientMIL-Mambaが0.976のAUCと0.933の精度を達成し、CAMELYON16データセットでは、EfficientMIL-GRUが0.990のAUCと0.975の精度を達成した。 大規模な実験により、APSは従来の選択戦略よりもパッチ選択に有効であることが示された。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Reparameterized LLM Training via Orthogonal Equivalence Transformation [54.80172809738605]
  直交同値変換を用いてニューロンを最適化する新しいトレーニングアルゴリズムPOETを提案する。 POETは、目的関数を安定して最適化し、一般化を改善する。 我々は、大規模ニューラルネットワークのトレーニングにおいて、POETを柔軟かつスケーラブルにするための効率的な近似を開発する。
  論文  参考訳（メタデータ） (2025-06-09T17:59:34Z)
• 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)
• Extreme Learning Machines for Attention-based Multiple Instance Learning in Whole-Slide Image Classification [0.0]
  全スライディング画像分類は、計算病理学と医学における重要な課題である。 深部MILのための高次元特徴空間を用いた新しい手法を提案する。 末梢血の循環レア細胞(CRC)を検出する問題に対して,本アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2025-03-13T16:14:08Z)
• Mamba2MIL: State Space Duality Based Multiple Instance Learning for Computational Pathology [17.329498427735565]
  本稿では,Mamba2MILと呼ばれる新しいマルチインスタンス学習フレームワークを提案する。 Mamba2MILは順序関係と順序に依存しない特徴を利用しており、配列情報の最適部分の利用をもたらす。 私たちは、複数のデータセットにまたがって広範な実験を行い、ほぼすべてのパフォーマンス指標の改善を実現しています。
  論文  参考訳（メタデータ） (2024-08-27T13:01:19Z)
• 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)
• Multi-level Multiple Instance Learning with Transformer for Whole Slide Image Classification [32.43847786719133]
  ホイルスライド画像(WSI)は、コンピュータ支援診断(CAD)において広く用いられている高解像度スキャンされた組織像の一種である。 本稿では,MIL に階層構造を導入し,多数のインスタンスを含む MIL タスクの効率的な処理を可能にするマルチレベル MIL (MMIL) 方式を提案する。 MMILに基づくMMIL-Transformerは,大規模MILタスクに対して,ウィンドウ化された正確な自己アテンションを持つ効率的なトランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-06-08T08:29:10Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。