Multiple instance learning
PulseAugur coverage of Multiple instance learning — every cluster mentioning Multiple instance learning across labs, papers, and developer communities, ranked by signal.
- instance of Gotit.pub 90%
- instance of Whole-Slide Image Analysis of Human Pancreas Samples to Elucidate the Immunopathogenesis of Type 1 Diabetes Using the QuPath Software 70%
- instance of digital pathology 70%
- used by Whole-Slide Image Analysis of Human Pancreas Samples to Elucidate the Immunopathogenesis of Type 1 Diabetes Using the QuPath Software 60%
- used by digital pathology 60%
- other digital pathology 60%
5 天有情绪数据
Multiple Instance Learning frameworks will increasingly integrate attention mechanisms for improved interpretability and performance.
The recent DSAGL framework highlights the benefit of attention mechanisms in identifying critical regions within whole slide images for cancer diagnosis. This suggests a trend where future MIL models will likely incorporate attention to enhance both diagnostic accuracy and provide more interpretable insights into their decision-making processes.
There is a growing emphasis on reducing computational costs in MIL for digital pathology.
Multiple recent developments, including the DSAGL framework (addressing ambiguity), the in-context learning model (single forward pass), the tile-level benchmarking study (reducing computational cost), and the LRMIL framework (knowledge distillation for low-resolution), all point towards a strong industry push to make MIL more efficient and practical for real-world pathology workflows.
In-context learning will become a standard approach for rapidly adapting MIL models to new pathology tasks with minimal labeled data.
The development of an in-context learning model for MIL, which performs classification in a single forward pass after pretraining on synthetic data, demonstrates a significant advancement. This approach could drastically reduce the need for extensive retraining and fine-tuning, making MIL models more agile and accessible for diverse pathology applications.
-
MIL-BERT算法以新方法解决大文本分类问题
研究人员开发了MIL-BERT，一种新颖的文本分类算法，它利用多示例学习来处理任意大的文本，包括近一百万个token的文本。该方法在识别新闻中的政治偏见、故事中的触发词警告以及推文中作者人口统计信息的数据集上取得了最先进的结果。值得注意的是，MIL-BERT可以从弱标记的文本集合泛化，从而准确地对较小的组成实例进行分类，这在长篇内容分类方面取得了重大进展。
-
新的AI方法增强了全切片图像病理报告的分析
研究人员开发了分析病理学中全切片图像（WSIs）的新方法。一种方法将WSI报告生成分解为不同的阶段，使用图约束多实例学习（MIL）来汇总诊断问题，并使用语言模型形成连贯的报告。该方法在外部数据集上显著提高了报告生成分数和器官识别准确性。另一种方法，测试时实例选择（TTIS），提供了一个无需训练的框架，在推理过程中从WSI中选择信息量最大的图像块，从而减少冗余并提高分析鲁棒性，而无需重新训练现有的MIL模型。
-
新的DeCo-MIL方法解决了WSI分析中的长尾分布问题
研究人员开发了DeCo-MIL，一种解决全切片图像（WSI）分析中长尾分布挑战的新方法。该方法通过采用频率去偏置反事实推理来解决幻灯片之间和幻灯片内部的长尾问题。DeCo-MIL对图像块进行聚类，通过正常原型进行干预以估计反事实贡献，并利用这些贡献来保留稀有的判别性实例。它还构建了锚点分层的伪批次，并采用尾部感知过采样来增强稀有类别的监督。在三个基准上的实验表明，DeCo-MIL取得了最先进的性能。
-
新的nnMIL框架提升了计算病理学中AI的准确性
研究人员开发了nnMIL，一个新颖的多示例学习框架，旨在提高计算病理学中AI模型在准确性和泛化能力。该框架将来自基础模型的块级表示连接到幻灯片级临床预测，并在块级和特征级引入随机采样以实现高效训练。nnMIL在35个临床任务和四个病理学基础模型上展示了卓越的性能，在疾病诊断、生物标志物检测和预后预测方面优于现有方法，同时还表现出强大的跨模型泛化能力和可靠的不确定性估计。
-
新的 D4 等变扩散模型增强了计算细胞学中的异常检测能力
研究人员开发了一个新颖的 D4 等变扩散框架，旨在提高计算细胞学中的异常检测能力。这种新方法解决了标准扩散模型将变换后的细胞图像视为不同的图像，从而导致异常分数不一致的挑战。通过在架构和推理过程中引入 D4 等变性，该框架确保细胞斑块的旋转和反射不会改变诊断分类，从而实现更稳定的异常排序。D4 等变扩散模型在骨髓和外周血涂片数据集上表现出优越的性能，与现有方法相比，实现了更高的 AUC 和更好的异常细胞检索率。
-
新的MIL框架从切片级标签估计前列腺癌格里森评分
研究人员开发了一种新颖的多实例学习（MIL）框架，用于估计前列腺癌组织病理学中的实例级格里森评分模式。该方法利用了临床实践中常见的切片级初级和次级格里森评分标签，但这些标签缺乏详细的实例级注释。该框架有效地模拟了模式的主导性，并聚合实例预测以符合格里森评分的临床定义。实验表明，该方法在SICAP-MIL数据集上的表现优于现有的MIL方法。
-
StressGAT：用于个性化压力识别的可解释图注意力网络
研究人员开发了StressGAT，一种新颖的图注意力网络，旨在通过面部表情识别压力。该模型通过纳入个性化基线和捕捉非线性时间动态，解决了传统循环神经网络和卷积神经网络的局限性。StressGAT在受试者无关识别中达到了88.62%的准确率，并包含一个多实例学习注意力机制，用于识别峰值压力区间并揭示表达能力表型，从而增强了临床应用的可解释性。
-
AI模型从病理学家注意力中学习，实现高效的组织病理学分析
研究人员开发了两种分析组织病理图像的新方法，旨在提高医学诊断的效率和准确性。第一种方法SASHA利用深度强化学习和注意力机制，智能地对大型全切片图像的关键区域进行采样和放大，以计算成本的一小部分实现了与全分辨率分析相当的诊断准确性。第二种方法将病理学家的视觉注意力整合到前列腺组织病理报告生成模型中，使用了视口轨迹和口头描述的多模态数据集。这种注意力对齐损失使模型的注意力与人类焦点保持一致，从而在自然语言处理指标以及报告生成和视觉问答的…
-
新的MIL预训练框架使用基础模型进行病理分析
研究人员开发了一种新的多实例学习（MIL）网络预训练框架，这对于分析病理切片至关重要。该框架使用来自两个基础模型TITAN和CARE的蒸馏过程，将知识转移到各种MIL架构中。该方法旨在通过提供比从头开始训练更好的初始化来提高MIL模型的性能，尤其是在数据有限的情况下。
-
新AI模型利用空间组织分析预测转移风险
研究人员开发了一种名为距离感知多实例学习组织建模（DTMf-MIL）的新方法，用于预测原发肿瘤组织发生转移的风险。与先前将组织块视为无序集合的方法不同，该方法明确捕捉了肿瘤细胞、成纤维细胞和淋巴细胞之间的空间关系。通过计算相对于组织表型的符号距离函数，DTMf-MIL学习了转移风险的结构特征，其性能显著优于忽略空间布局的最先进方法。该模型的空间感知能力已在公共基准上得到验证，在各种临床任务中显示出诊断准确性的一致提高。
-
新的深度学习模型改进肺癌肿瘤评分
研究人员开发了一种新颖的基于分布的深度多实例学习（MIL）框架，以提高非小细胞肺癌（NSCLC）中肿瘤比例评分（TPS）的准确性。该方法通过使用两个模型来解决手动标注和专家可用性方面的挑战：一个模型用于从单个图像块中提取组织病理学特征，另一个模型用于聚合这些特征以预测整个切片的TPS概率分布。所提出的方法利用零膨胀Beta（ZIBeta）模型，其性能显著优于传统的回归技术，并提高了预测准确性和可解释性。
-
基于视频的系统无需穿戴设备即可计数帕金森病患者步数 · 已追踪 2 个来源
研究人员开发了一种新颖的基于视频的框架，可被动地计算帕金森病患者的步数，解决了当前基于穿戴式设备方法的局限性。该系统利用 3D 人体网格恢复从足部运动信号估计初始步数，并利用光流和交叉注意力机制优化这些估计，以捕捉细粒度的步态动力学。通过采用多实例学习，该框架整合了剪辑式运动嵌入来预测剩余步数，在真实世界帕金森病转弯数据集上表现出卓越的性能。
-
新的LCA框架通过可学习信用分配增强LLM推理能力
研究人员引入了一个名为可学习信用分配（LCA）的新框架，以改进结果监督过程奖励模型（PRMs）的训练。这些PRMs旨在通过提供详细反馈来增强大型语言模型（LLMs）的推理能力。LCA解决了PRMs中的信用分配挑战，当仅知道最终答案的正确性时，传统方法难以将最终结果归因于特定的推理步骤。所提出的方法将其形式化为一个多示例学习问题，并利用一种新颖的Softmax-加权求和池化技术，在实验中表现优于现有方法。
-
新方法为稀缺医疗AI训练生成患者数据
研究人员开发了一种新颖的患者增强技术，用于数据稀缺的医学多示例学习（MIL）。该方法通过使用高斯混合模型从池化的实例嵌入中学习疾病特定的“配方”，在嵌入空间中生成逼真的患者数据。然后，根据不确定性量化选择生成的患者，以提高MIL性能，特别是在罕见病或数据有限的情况下。该方法已证明比现有方法具有更高的性能，甚至在缺失类别的情况下也能取得与完整数据集训练相媲美的结果。
-
新的 GMM 池化方法增强了超声图像早产预测能力
研究人员开发了一种新的高斯混合模型 (GMM) 池化方法，用于多示例学习 (MIL)，以改进超声图像的早产预测。该方法对每位患者的多个宫颈图像的特征分布进行建模，捕捉患者内部的变异性，这与使用单一图像估计的标准 MIL 聚合器不同。GMM 池化方法在早产预测方面显示出显著的改进，将 PR-AUC 从 0.44 提高到 0.56。它还在淋巴结转移基准测试中取得了最先进的结果，分类的 F1 分数达到 0.91，ROC-AUC 达到 0.89。
-
新的QG-MIL架构稳定医学影像AI预测
研究人员开发了QG-MIL，一种新颖的门控Transformer聚合器，旨在改进医学影像中的多实例学习。这种新架构解决了注意力集中问题，该问题经常导致现有模型预测不稳定。通过整合RMSNorm预归一化、每头QK归一化和细粒度注意力输出门控等架构组件，QG-MIL在各种医学领域实现了更一致、更准确的结果。
-
新AI框架统一全切片图像分析中的病理学家分歧
研究人员开发了RaLMPH，一种用于全切片图像（WSI）分析的新型框架，解决了诊断标签中病理学家间变异性的挑战。与假设单一正确标签或全局注释者可靠性的现有方法不同，RaLMPH对局部邻域结构和专家不确定性进行建模，以识别WSI中可信赖的区域。这使得样本级的局部注释者排名和基于可靠性的自适应标签融合成为可能，从而提高了计算病理学性能。
-
新的DSAGL框架提升全切片图像癌症诊断能力
研究人员开发了一个名为双流注意力引导学习（DSAGL）的新框架，以提高全切片图像癌症诊断的准确性。该方法通过仅使用切片级标签来更好地识别图像内的关键局部区域，从而解决了现有多种实例学习技术的局限性。DSAGL采用教师-学生双流架构，并生成注意力引导的伪标签来减轻歧义，在实验中表现优于当前最先进的方法。
-
数字病理学研究发现图块级人工智能基准可预测载玻片级性能
一项发表在arXiv上的新研究探讨了使用图块级性能作为数字病理学中载玻片级结果代理的效率。研究人员在42个载玻片级和16个图块级任务上对19个基础模型进行了基准测试，发现图块和载玻片性能之间存在高度相关性。这表明图块级基准测试可以有效地筛选出全载玻片图像分析的候选模型，从而显著降低与完整载玻片级流水线相关的计算成本。
-
新的LRMIL框架简化了病理图像分析
研究人员开发了LRMIL，一种用于分析数字病理学中全切片图像的新型框架。该方法利用知识蒸馏将信息从高分辨率表示转移到低分辨率表示，显著降低了计算成本和处理时间。LRMIL在多个基准测试中取得了优于现有方法的性能，为临床病理学提供了更实用、可扩展的解决方案。