Whole-slide multiple-instance learning

BagShift协议揭示了补丁选择如何影响MIL模型的证据

研究人员推出了一种名为BagShift的新协议，旨在衡量补丁选择的变化如何影响全切片多实例学习（MIL）模型所观察到的证据。该方法将选择器的影响与病例组合的变化分离开来。在PANDA和CAMELYON16数据集上的实验表明，即使在相同的计算预算下，不同的补丁选择策略也会向模型展示显著不同的证据，导致二次加权kappa等性能指标大幅下降。研究结果表明，补丁数量本身并不决定观察到的证据，部署评估应同时报告保留的证据和聚合方法。