Multiple instance learning
PulseAugur coverage of Multiple instance learning — every cluster mentioning Multiple instance learning across labs, papers, and developer communities, ranked by signal.
7 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.
-
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。
-
新的MIL方法使用Perceiver架构进行少样本学习
研究人员开发了一种新的多示例学习（MIL）方法，通过在合成数据上预训练Perceiver风格的架构。该方法能够在少量标记示例中实现高效、任务自适应的分类，解决了现有MIL算法在低标签情况下表现不佳的局限性。预训练模型无需梯度更新，即可在一次前向传播中解决新任务，在十二个基准测试中表现优于传统的监督基线。
-
上下文学习模型推进多示例学习
研究人员开发了一种新的多示例学习（MIL）方法，该方法利用具有Perceiver风格架构的上下文学习。通过在合成数据上进行预训练，该模型只需少量标记的包（bags）即可有效解决新的MIL任务，在单次前向传播中完成分类，无需梯度更新。该方法在十二个基准测试中显著优于传统的监督基线，尤其是在低标签场景下。
-
新框架为数字病理学中的AI提供符号化解释
研究人员开发了Symb-xMIL，一个用于解释数字病理学中多实例学习（MIL）模型的新框架。与现有的热力图方法不同，Symb-xMIL量化了模型的预测如何与人类可读的逻辑规则（如特征之间的AND、OR和NOT关系）保持一致。该方法旨在提供更透明、语义更扎实的模型行为解释，超越视觉归因，实现基于规则的结构化推理。
-
新的正常引导技术提升了3D医学图像分析中的AI性能
研究人员开发了一种名为正常引导（Normal Guidance）的新型正则化技术，用于3D医学图像分类中基于注意力机制的多实例学习（MIL）。该方法鼓励学习到的注意力分布遵循钟形曲线，旨在提高弱监督设置下的切片级预测准确性。在三个数据集上对超过400万个2D切片进行的实验表明，正常引导显著增强了基于注意力机制和基于Transformer的MIL方法的切片级定位能力，同时在整个扫描分类中保持了有竞争力的性能。
-
MambaBack架构通过混合AI方法增强全切片图像分析
研究人员推出了一种新颖的混合架构MambaBack，旨在改进计算病理学中的全切片图像（WSI）分析。该新模型结合了Mamba和MambaOut的优势，以更好地捕捉局部细胞结构和全局上下文信息，这对于癌症诊断至关重要。MambaBack解决了在推理过程中保持2D空间局部性、优化局部特征提取和减少内存使用等挑战，在多个数据集上表现优于七种现有最先进的方法。
-
几何感知模型推动计算病理学全切片图像分析
研究人员开发了BatMIL，一个用于分析全切片组织病理图像的新型框架。该方法利用混合双曲-欧几里得表示来更好地捕捉层次化的组织结构和局部形态细节，克服了现有方法在同质欧几里得空间中嵌入特征的局限性。BatMIL包含一个结构化状态空间序列模型，用于高效建模长距离依赖关系，以及一个混合专家模块，用于处理病理组织中的区域异质性。实验表明，BatMIL在多种癌症类型的切片级分类任务中优于当前最先进的方法。
-
简单的MIL在3D神经影像分类中可媲美复杂模型
研究人员发布了一项基准测试，将多种多实例学习（MIL）方法与3D CNN和ViT在3D神经影像分类任务上进行了比较。研究发现，一种简单的均值池化MIL方法，即使没有注意力机制，在多项任务上的表现也与更复杂的方法相当或更好。这种基线MIL方法训练速度也显著更快，使其成为计算资源有限的从业者的可行选择。