論文の概要: Symb-xMIL: Symbolic Explanations for Multiple Instance Learning in Digital Pathology

• arxiv url: http://arxiv.org/abs/2606.06224v1
• Date: Thu, 04 Jun 2026 14:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.857749
• Title: Symb-xMIL: Symbolic Explanations for Multiple Instance Learning in Digital Pathology
• Title（参考訳）: Symb-xMIL:デジタル病理学におけるマルチインスタンス学習のための記号的説明
• Abstract要約: マルチインスタンスラーニング(MIL)モデルの説明は、デジタル病理学の検証と発見に広く用いられている。 本稿では、MILモデルの動作が人間の可読性決定規則とどのように一致しているかを定量化する、ポストホックな説明フレームワークである説明可能なMIL(Symb-xMIL)を紹介する。 合成および実世界の病理組織学データセット上でSymb-xMILを評価する。
• 参考スコア（独自算出の注目度）: 12.138272834650502
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Explanations of multiple instance learning (MIL) models are widely used for validation and discovery in digital histopathology. Existing methods primarily rely on heatmaps that highlight influential regions but do not explain how evidence from different tissue regions is combined to produce a prediction. This limits interpretability, especially when decisions depend on interactions between tissue features. We introduce Symbolic explainable MIL (Symb-xMIL), a post-hoc explanation framework that quantifies how a MIL model's behavior aligns with human-readable decision rules, expressed as logical relationships (e.g., AND, OR, NOT) between input features. These alignment scores reveal semantic patterns underlying the model's predictions. We evaluate Symb-xMIL on synthetic and real-world histopathology datasets. On synthetic MIL data, Symb-xMIL reliably recovers ground-truth logical rules. In a clinical tumor detection task, the best-aligned rules uncover heterogeneous decision patterns and expose hidden model errors. On an HPV-prediction task on TCGA-HNSCC, a cohort of head and neck cancer, our framework refines patient survival stratification beyond HPV status with potential clinical relevance. Overall, Symb-xMIL extends MIL explainability beyond visual attribution toward structured, rule-based reasoning, enabling more transparent and semantically grounded interpretation of model predictions.
• Abstract（参考訳）: マルチインスタンスラーニング(MIL)モデルの説明は、デジタル病理学の検証と発見に広く用いられている。 既存の方法は、主に影響力のある領域をハイライトするヒートマップに頼っているが、異なる組織領域からのエビデンスをどのように組み合わせて予測するかは説明していない。 これは、特に組織の特徴間の相互作用に依存する決定の場合、解釈可能性を制限する。 入力特徴間の論理的関係(例えば,AND,OR,NOT)として表現された,MILモデルの動作が可読性決定規則とどのように一致しているかを定量化する,ポストホックな説明フレームワークであるSymb-xMILを紹介する。 これらのアライメントスコアは、モデルの予測の根底にあるセマンティックなパターンを明らかにする。 合成および実世界の病理組織学データセット上でSymb-xMILを評価する。 合成MILデータ上では、Symb-xMILは基底構造論理規則を確実に回復する。 臨床腫瘍検出タスクでは、最良規則が異質な決定パターンを明らかにし、隠されたモデルエラーを露呈する。 頭頸部癌コホートである TCGA-HNSCC におけるHPV-prediction task では,HPV 以上の生存層を臨床関連性で改善する。 全体として、Symb-xMILは、構造化されたルールベースの推論への視覚的帰属を超えて、MILの説明可能性を拡張し、より透明でセマンティックなモデル予測の解釈を可能にする。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• Beyond Attention Heatmaps: How to Get Better Explanations for Multiple Instance Learning Models in Histopathology [14.800356715603087]
  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。
  論文  参考訳（メタデータ） (2026-03-09T12:45:48Z)
• C$^2$MIL: Synchronizing Semantic and Topological Causalities in Multiple Instance Learning for Robust and Interpretable Survival Analysis [40.54380946239706]
  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。
  論文  参考訳（メタデータ） (2025-09-24T14:17:39Z)
• Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification [3.9817342822800916]
  ProtoMILは、スライド画像全体(WSI)解析のための本質的に解釈可能なMILモデルである。 提案手法では,画像特徴空間から人間の解釈可能な概念を発見するために,スパースオートエンコーダを用いる。 ProtoMILでは、入力概念を変更することでモデルの介入を行うことができる。
  論文  参考訳（メタデータ） (2025-03-11T12:44:03Z)
• 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)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Generative causal testing to bridge data-driven models and scientific theories in language neuroscience [82.995061475971]
  脳における言語選択性の簡潔な説明を生成するためのフレームワークである生成因果テスト(GCT)を提案する。 GCTは機能的選択性に類似した脳領域の細粒度の違いを識別できることを示す。
  論文  参考訳（メタデータ） (2024-10-01T15:57:48Z)
• 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)
• 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)
• Reproducibility in Multiple Instance Learning: A Case For Algorithmic Unit Tests [59.623267208433255]
  多重インスタンス学習(MIL)は、正と負のラベルと入力の「バグ」を持つ分類問題のサブドメインである。 本研究では,最も顕著な深層MILモデルの5つについて検討し,いずれも標準MILの仮定を尊重していないことを明らかにする。 提案した"アルゴリズムユニットテスト"によってこの問題を特定し,実証する。そこでは,MILを尊重するモデルによって解決可能な,合成データセットを作成する。
  論文  参考訳（メタデータ） (2023-10-27T03:05:11Z)

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。