Rethinking Attention-Based Multiple Instance Learning for Whole-Slide Pathological Image Classification: An Instance Attribute Viewpoint

本文提出了一种基于属性驱动的MIL（AttriMIL）框架，以解决注意力机制在区分实例方面的局限性，从而提高WSI分析的性能。具体而言，该框架通过分解ABMIL的计算过程，提出了一种属性评分机制，有效地衡量每个实例对包预测的贡献，量化实例属性。基于属性量化，作者开发了一种空间属性约束和属性排名约束，以分别对幻灯片内和幻灯片间的实例相关性进行建模。这些约束鼓励网络捕捉实例的空间相关性和语义相似性，提高了AttriMIL区分组织类型和识别具有挑战性实例的能力。此外，AttriMIL采用了组织病理学自适应骨干，最大化预训练模型的特征提取能力，以收集病理特征。在三个公共基准测试中，广泛的实验表明，AttriMIL在多个评估指标上优于现有的最先进框架。该实现代码可在https://github.com/MedCAI/AttriMIL获得。

本文旨在解决多实例学习（MIL）中的注意力机制在区分实例方面的局限性，提出了一种基于属性驱动的MIL（AttriMIL）框架。

AttriMIL框架通过属性评分机制和空间属性约束、属性排名约束等方法，提高了模型区分组织类型和识别具有挑战性实例的能力。

实验结果表明，AttriMIL在三个公共基准测试中均优于现有的最先进框架，同时使用了组织学自适应骨干网络，开源了实现代码。

最近的相关研究包括基于注意力机制的MIL（ABMIL）和其变体等。