論文の概要: Beyond Attention Heatmaps: How to Get Better Explanations for Multiple Instance Learning Models in Histopathology

• arxiv url: http://arxiv.org/abs/2603.08328v1
• Date: Mon, 09 Mar 2026 12:45:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.995839
• Title: Beyond Attention Heatmaps: How to Get Better Explanations for Multiple Instance Learning Models in Histopathology
• Title（参考訳）: 注意以上のヒートマップ: 病理組織学における複数のインスタンス学習モデルのためのより良い説明を得る方法
• Authors: Mina Jamshidi Idaji, Julius Hense, Tom Neuhäuser, Augustin Krause, Yanqing Luo, Oliver Eberle, Thomas Schnake, Laure Ciernik, Farnoush Rezaei Jafari, Reza Vahidimajd, Jonas Dippel, Christoph Walz, Frederick Klauschen, Andreas Mock, Klaus-Robert Müller,
• Abstract要約: マルチ・インスタンス・ラーニング(MIL)は、計算病理学の進歩を可能にしている。 ヒートマップは、MILモデルの検証や組織バイオマーカーの発見に広く用いられている。 ラベルの追加を必要とせず,MILヒートマップの品質を評価するための一般的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.800356715603087
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiple instance learning (MIL) has enabled substantial progress in computational histopathology, where a large amount of patches from gigapixel whole slide images are aggregated into slide-level predictions. Heatmaps are widely used to validate MIL models and to discover tissue biomarkers. Yet, the validity of these heatmaps has barely been investigated. In this work, we introduce a general framework for evaluating the quality of MIL heatmaps without requiring additional labels. We conduct a large-scale benchmark experiment to assess six explanation methods across histopathology task types (classification, regression, survival), MIL model architectures (Attention-, Transformer-, Mamba-based), and patch encoder backbones (UNI2, Virchow2). Our results show that explanation quality mostly depends on MIL model architecture and task type, with perturbation ("Single"), layer-wise relevance propagation (LRP), and integrated gradients (IG) consistently outperforming attention-based and gradient-based saliency heatmaps, which often fail to reflect model decision mechanisms. We further demonstrate the advanced capabilities of the best-performing explanation methods: (i) We provide a proof-of-concept that MIL heatmaps of a bulk gene expression prediction model can be correlated with spatial transcriptomics for biological validation, and (ii) showcase the discovery of distinct model strategies for predicting human papillomavirus (HPV) infection from head and neck cancer slides. Our work highlights the importance of validating MIL heatmaps and establishes that improved explainability can enable more reliable model validation and yield biological insights, making a case for a broader adoption of explainable AI in digital pathology. Our code is provided in a public GitHub repository: https://github.com/bifold-pathomics/xMIL/tree/xmil-journal
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング(MIL)は,ギガピクセル全体からの大量のパッチをスライドレベルの予測に集約することで,計算組織学の大幅な進歩を実現している。 ヒートマップは、MILモデルの検証や組織バイオマーカーの発見に広く用いられている。 しかし,これらの熱マップの有効性についてはほとんど調査されていない。 本研究では,MILヒートマップの品質を評価するための一般的なフレームワークについて,ラベルの追加を必要とせずに紹介する。 組織学的タスクタイプ(分類、回帰、生存)、MILモデルアーキテクチャ(アテンション、トランスフォーマー、マンバベース)、パッチエンコーダバックボーン(UNI2, Virchow2)の6つの説明方法を評価するための大規模なベンチマーク実験を行った。 以上の結果から,MILモデルアーキテクチャとタスクタイプに依存し,摂動("Single"),レイヤワイド関連伝搬(LRP),統合勾配(IG)は,モデル決定機構の反映に失敗することが多い注意ベースおよび勾配に基づく塩分熱マップを一貫して上回ることがわかった。 さらに、最も優れた説明手法の高度な能力を示す。 i) バルク遺伝子発現予測モデルのMILヒートマップが空間転写学と相関し, 生物学的妥当性を検証できることを示す。 (II)頭頸部癌スライドからヒトパピローマウイルス(HPV)感染を予測するための異なるモデル戦略の発見を紹介する。 我々の研究は、MILヒートマップを検証することの重要性を強調し、説明可能性を改善したことによって、より信頼性の高いモデル検証が可能になり、生物学的洞察が得られることを証明している。 私たちのコードはGitHubリポジトリに公開されています。

関連論文リスト

• DCMIL: A Progressive Representation Learning of Whole Slide Images for Cancer Prognosis Analysis [20.81711023855778]
  本稿では、DCMIL(Dual-curriculum contrastive multi-instance learning)と呼ばれる、難易度から難易度までのプログレッシブな表現学習を提案する。 12種類のがん(5,954人、12.54万個のタイル)の実験では、DCMILが標準的なWSIベースの予後モデルより優れていることが示されている。 DCMILは、微細な予後関連領域を特定し、堅牢なインスタンスの不確実性評価を提供し、正常組織と腫瘍組織の間の形態的差異を捉えている。
  論文  参考訳（メタデータ） (2025-10-16T08:03:54Z)
• 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)
• xMIL: Insightful Explanations for Multiple Instance Learning in Histopathology [13.939494815120666]
  マルチ・インスタンス・ラーニング(MIL)は、弱教師付き機械学習において効果的で広く利用されている手法である。 我々は、説明可能なAI(XAI)のレンズを通してMILを再考し、より一般的な仮定を持つ洗練されたフレームワークであるxMILを紹介した。 提案手法は, バイオマーカー予測タスクにおいて, 特に忠実度が向上し, 従来の説明手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-06T17:26:40Z)
• Introducing instance label correlation in multiple instance learning. Application to cancer detection on histopathological images [5.895585247199983]
  本研究では,VGPMIL-PRと呼ばれる最先端のGPベースのMIL法を拡張し,その相関性を利用する。 我々のモデルは、他の最先端確率的MIL法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-30T08:57:59Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。