論文の概要: MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis

• arxiv url: http://arxiv.org/abs/2511.11004v1
• Date: Fri, 14 Nov 2025 06:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.45876
• Title: MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis
• Title（参考訳）: MeCaMIL: 公平かつ解釈可能な全スライド画像診断のための因果認識型マルチインスタンス学習
• Authors: Yiran Song, Yikai Zhang, Shuang Zhou, Guojun Xiong, Xiaofeng Yang, Nian Wang, Fenglong Ma, Rui Zhang, Mingquan Lin,
• Abstract要約: MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
• 参考スコア（独自算出の注目度）: 40.3028468133626
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiple instance learning (MIL) has emerged as the dominant paradigm for whole slide image (WSI) analysis in computational pathology, achieving strong diagnostic performance through patch-level feature aggregation. However, existing MIL methods face critical limitations: (1) they rely on attention mechanisms that lack causal interpretability, and (2) they fail to integrate patient demographics (age, gender, race), leading to fairness concerns across diverse populations. These shortcomings hinder clinical translation, where algorithmic bias can exacerbate health disparities. We introduce \textbf{MeCaMIL}, a causality-aware MIL framework that explicitly models demographic confounders through structured causal graphs. Unlike prior approaches treating demographics as auxiliary features, MeCaMIL employs principled causal inference -- leveraging do-calculus and collider structures -- to disentangle disease-relevant signals from spurious demographic correlations. Extensive evaluation on three benchmarks demonstrates state-of-the-art performance across CAMELYON16 (ACC/AUC/F1: 0.939/0.983/0.946), TCGA-Lung (0.935/0.979/0.931), and TCGA-Multi (0.977/0.993/0.970, five cancer types). Critically, MeCaMIL achieves superior fairness -- demographic disparity variance drops by over 65% relative reduction on average across attributes, with notable improvements for underserved populations. The framework generalizes to survival prediction (mean C-index: 0.653, +0.017 over best baseline across five cancer types). Ablation studies confirm causal graph structure is essential -- alternative designs yield 0.048 lower accuracy and 4.2x times worse fairness. These results establish MeCaMIL as a principled framework for fair, interpretable, and clinically actionable AI in digital pathology. Code will be released upon acceptance.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング(MIL)は、パッチレベルの特徴集約によって強力な診断性能を達成し、計算病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 しかし,既存のMIL法では,(1)因果解釈性に欠ける注意機構に頼り,(2)患者集団(年齢,性別,人種)の統合に失敗し,多様な集団に公平な懸念をもたらすなど,限界に直面している。 これらの欠点は、アルゴリズムバイアスが健康格差を悪化させる臨床翻訳を妨げる。 因果グラフを用いて,階層的共同創設者を明示的にモデル化する因果関係を意識したMILフレームワークである。 人口統計学を補助的特徴として扱う以前のアプローチとは異なり、MeCaMILは原則的因果推論(do-calculusとcollider構造を利用する)を用いて、急激な人口統計学の相関から疾患関連信号を遠ざけている。 CAMELYON16(ACC/AUC/F1:0.939/0.983/0.946)、TCGA-Lung(0.935/0.979/0.931)、TCGA-Multi(0.977/0.993/0.970,5種類のがんタイプ)の3つのベンチマークを総合的に評価した。 批判的に、MeCaMILは優れた公正性を達成し、人口格差のばらつきは属性ごとの平均で65%以上減少する。 このフレームワークは生存予測に一般化する(C-index: 0.653, +0.017)。 アブレーション研究により因果グラフ構造が必須であることが確認され、代替設計では0.048の精度と4.2倍の公平性が得られる。 これらの結果は、デジタル病理学における公平、解釈可能、臨床的に実行可能なAIのための原則的枠組みとしてMeCaMILを確立している。 コードは受理時にリリースされる。

関連論文リスト

• Contrastive Integrated Gradients: A Feature Attribution-Based Method for Explaining Whole Slide Image Classification [16.637098984977055]
  計算病理学における全スライド画像(WSI)解析には解釈可能性が不可欠である。 本稿では,ロジット空間におけるコントラスト勾配の計算により,解釈可能性を高める新しい帰属法であるContrastive Integrated Gradients (CIG)を紹介する。
  論文  参考訳（メタデータ） (2025-11-11T17:07:32Z)
• Bridging Accuracy and Interpretability: Deep Learning with XAI for Breast Cancer Detection [0.0]
  乳腺腫瘤のFNA(Digitalized Fine needle Aspirate)画像から抽出した定量的特徴を用いて,乳がん早期発見のための解釈可能なディープラーニングフレームワークを提案する。 私たちのディープニューラルネットワークは、ReLUアクティベーション、Adam視覚化、バイナリクロスエントロピー損失を使用して、最先端の分類性能を提供します。
  論文  参考訳（メタデータ） (2025-10-18T07:47:26Z)
• Comparative assessment of fairness definitions and bias mitigation strategies in machine learning-based diagnosis of Alzheimer's disease from MR images [4.569587135821805]
  本研究では,MCIとアルツハイマー病(AD)の診断のための機械学習モデル(ML)の公平性解析をMRIによる神経画像特徴から行う。 マルチコホートデータセットにおける年齢,人種,性別に関連するバイアスについて検討した。 その結果、年齢や人種に関連するバイアスの存在が明らかとなったが、有意な性別バイアスは観察されなかった。
  論文  参考訳（メタデータ） (2025-05-29T15:07:19Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Establishing Causal Relationship Between Whole Slide Image Predictions and Diagnostic Evidence Subregions in Deep Learning [3.5504159526793924]
  Causal Inference Multiple Instance Learning (CI-MIL)は、サブイメージの認識の混乱を軽減するために配布外一般化を利用する。 CI-MILは、その選択された領域が基底真理アノテーションと高い一貫性を示すため、優れた解釈可能性を示す。
  論文  参考訳（メタデータ） (2024-07-24T11:00:08Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。