Task-oriented Embedding Counts: Heuristic Clustering-driven Feature Fine-tuning for Whole Slide Image Classification

在全幻灯片图像（WSI）分类领域，多实例学习（MIL）是一种有前途的方法，通常被分解为特征提取和聚合。在这种范式中，我们观察到，区分性嵌入对于聚合到最终预测至关重要。在所有特征更新策略中，面向任务的策略可以捕捉特定任务的特征。然而，它们容易过度拟合，并且会受到分配有噪声标签的样本的影响。为了解决这个问题，我们提出了一种启发式聚类驱动的特征微调方法（HC-FT），通过提供纯化的正样本和难以处理的负样本来增强多实例学习的性能。我们的方法首先使用训练有素的MIL模型评估补丁的置信度。然后，高置信度的补丁被标记为正样本，而其余的补丁则用于识别关键的负样本。经过两轮启发式聚类和选择，获得纯化的正样本和难以处理的负样本，以促进特征微调。该方法在CAMELYON16和BRACS数据集上进行了评估，分别达到了97.13％和85.85％的AUC，始终优于所有比较方法。

本论文的问题是在多实例学习中，如何提高特征提取和聚合的性能，以便更准确地对WSI进行分类。

本论文提出了一种基于启发式聚类的特征微调方法，通过提供纯净的正样本和难负样本来增强多实例学习的性能。

该方法在CAMELYON16和BRACS数据集上进行了评估，实现了AUC分别为97.13％和85.85％，并始终优于所有比较方法。

在该领域的相关研究包括：'Multiple Instance Learning: A Survey of Problem Characteristics and Applications'，'Multiple Instance Learning Networks for Breast Cancer Histology Image Classification'等。