論文の概要: ReaMIL: Reasoning- and Evidence-Aware Multiple Instance Learning for Whole-Slide Histopathology

• arxiv url: http://arxiv.org/abs/2601.10073v1
• Date: Thu, 15 Jan 2026 04:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.994031
• Title: ReaMIL: Reasoning- and Evidence-Aware Multiple Instance Learning for Whole-Slide Histopathology
• Title（参考訳）: ReaMIL:全スライディング組織学における推論とエビデンスを考慮したマルチインスタンス学習
• Authors: Hyun Do Jung, Jungwon Choi, Hwiyoung Kim,
• Abstract要約: 本稿では,ReaMIL(Reasoning- and Evidence-Aware MIL)を紹介する。 頭部は柔らかいパータイルゲートを生産し、予算化された充足目標で訓練される。 我々は,WSI 上でのモデル挙動の厳密な評価のために,MSK,AUKC,および連続性を報告した。
• 参考スコア（独自算出の注目度）: 1.888738346075831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce ReaMIL (Reasoning- and Evidence-Aware MIL), a multiple instance learning approach for whole-slide histopathology that adds a light selection head to a strong MIL backbone. The head produces soft per-tile gates and is trained with a budgeted-sufficiency objective: a hinge loss that enforces the true-class probability to be $\geq τ$ using only the kept evidence, under a sparsity budget on the number of selected tiles. The budgeted-sufficiency objective yields small, spatially compact evidence sets without sacrificing baseline performance. Across TCGA-NSCLC (LUAD vs. LUSC), TCGA-BRCA (IDC vs. Others), and PANDA, ReaMIL matches or slightly improves baseline AUC and provides quantitative evidence-efficiency diagnostics. On NSCLC, it attains AUC 0.983 with a mean minimal sufficient K (MSK) $\approx 8.2$ tiles at $τ= 0.90$ and AUKC $\approx 0.864$, showing that class confidence rises sharply and stabilizes once a small set of tiles is kept. The method requires no extra supervision, integrates seamlessly with standard MIL training, and naturally yields slide-level overlays. We report accuracy alongside MSK, AUKC, and contiguity for rigorous evaluation of model behavior on WSIs.
• Abstract（参考訳）: われわれはReaMIL(Reasoning- and Evidence-Aware MIL)を紹介した。 ヘッドはソフトなパータイルゲートを生成し、予算化された充足目標で訓練される: ヒンジロスは、選択されたタイルの数に対して幅の広い予算の下で、保持された証拠だけを使用して、真のクラスの確率が$\geq τ$となることを強制するヒンジロスである。 予算化された充足目的は、ベースライン性能を犠牲にすることなく、小さく、空間的にコンパクトなエビデンスセットを得る。 TCGA-NSCLC (LUAD vs. LUSC), TCGA-BRCA (IDC vs. Others), PANDA の ReaMIL は AUC に適合するか若干改善し,定量的なエビデンス・効率診断を提供する。 NSCLCでは、平均最小限のK (MSK) $\approx 8.2$ tiles at$τ= 0.90$ and AUKC $\approx 0.864$でAUC 0.983を達成し、小さなタイルの集合が保たれればクラスの信頼性が急上昇し安定化することを示す。 この方法は余分な監督を必要とせず、標準のMILトレーニングとシームレスに統合し、スライドレベルのオーバーレイを自然に生成する。 我々は,WSI 上でのモデル挙動の厳密な評価のために,MSK,AUKC,および連続性を報告した。

関連論文リスト

• OASI: Objective-Aware Surrogate Initialization for Multi-Objective Bayesian Optimization in TinyML Keyword Spotting [0.0]
  音声アシスタントは、キーワードスポッティング(KWS)を使用して、効率的でプライバシーに優しいアクティベーションを可能にする。 超低消費電力のTinyMLデバイス上で正確なKWSモデルを実現するには、精度とリソース制約の微妙なバランスが必要である。 本稿では,OASI(Objective-Aware Surrogate Initialization)を提案する。
  論文  参考訳（メタデータ） (2025-12-17T17:32:33Z)
• Continual Multiple Instance Learning with Enhanced Localization for Histopathological Whole Slide Image Analysis [10.323037126616692]
  MIL(Multiple Case Learning)は、大規模な画像に対するバッグレベルの弱いラベルによるアノテーションコストを大幅に削減する。 最小限の忘れを伴って局所化と適応性を両立するMILフレームワークを提案する。 CoMELは,(1)効率的なインスタンスエンコーディングのためのグループ二重注意変換器,(2)バグプロトタイプに基づく擬似ラベル,(3)直交重み付き低ランク適応からなる。
  論文  参考訳（メタデータ） (2025-07-03T07:48:37Z)
• Achieving Constant Regret in Linear Markov Decision Processes [57.34287648914407]
  我々は不特定線形マルコフ決定過程(MDP)に対するアルゴリズムCert-LSVI-UCBを導入する。 Cert-LSVI-UCB は $tildemathcalO(d3H5/Delta)$ の累積後悔を高い確率で示し、不特定度 $zeta$ が $tildemathcalO(Delta / (sqrtdH2))$ 以下であることを示す。
  論文  参考訳（メタデータ） (2024-04-16T17:23:19Z)
• Towards Robust Model-Based Reinforcement Learning Against Adversarial Corruption [60.958746600254884]
  本研究は、モデルベース強化学習(RL)における敵対的腐敗の課題に取り組む。 本稿では,MLE に対する不確実性重みとして全変量 (TV) に基づく情報比を利用する,汚損楽観的 MLE (CR-OMLE) アルゴリズムを提案する。 我々は、重み付け手法をオフライン設定にまで拡張し、汚損性悲観的MLE (CR-PMLE) というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T07:27:30Z)
• 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)
• Achieving the Pareto Frontier of Regret Minimization and Best Arm Identification in Multi-Armed Bandits [91.8283876874947]
  本稿では,BoBW-lil'UCB$(gamma)$アルゴリズムの設計と解析を行う。 i) RMとBAIの両方の目的に対して最適なアルゴリズムを同時に実行できないことを示す。 また、BoBW-lil'UCB$(gamma)$は、時間複雑性と後悔の点で競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-16T17:52:32Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD classification directly from H&E whole-slide images in colorectal and breast cancer [22.46523830554047]
  ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。 We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
  論文  参考訳（メタデータ） (2021-07-20T11:00:16Z)
• 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)

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。