AdvMIL: Adversarial Multiple Instance Learning for the Survival Analysis on Whole-Slide Images

要約

タイトル：全スライド画像における生存分析のためのAdversarial Multiple Instance Learning（AdVMIL）

要約：
– 全組織スライド画像（WSI）での生存分析は、患者の予後を推定するための最も重要な手段の１つです。
– 多くの弱監督学習モデルは、ジガピクセルWSIのために開発されていますが、一般的には生存分析のルールや完全教師あり学習の要件によって制限されています。
– これらのモデルは、完全に確定したイベントまでの時間推定しか提供せず、現在は少数のラベル付きWSIデータしか学習できないという問題があります。
– これらの問題を解決するために、私たちは新しいAdversarial Multiple Instance Learning（AdvMIL）フレームワークを提案します。
– このフレームワークは、Adversarial time-to-event modelingに基づくMILを統合しており、WSI表現学習に必要なMILを実現します。
– これはプラグアンドプレイであり、既存のMILベースのエンドツーエンドの方法にこのフレームワークを適用することで、生存分布推定および半教師あり学習の能力が向上するように簡単にアップグレードできます。
– 広範な実験を行った結果、AdvMILは、相対的に低い計算コストで主流のWSI生存分析手法の性能改善をもたらすだけでなく、半教師あり学習を通じた未ラベルデータの有効利用を可能にすることがわかりました。
– さらに、AdvMILは、2つの代表的な画像ノイズとパッチの隠蔽に対するモデルの耐性を改善することができることが観察されました。
– 提案されたAdvMILフレームワークは、その新しいAdversarial MILパラダイムにより、計算パルプかんでの生存分析の研究を促進することができます。

要約(オリジナル)

The survival analysis on histological whole-slide images (WSIs) is one of the most important means to estimate patient prognosis. Although many weakly-supervised deep learning models have been developed for gigapixel WSIs, their potential is generally restricted by classical survival analysis rules and fully-supervised learning requirements. As a result, these models provide patients only with a completely-certain point estimation of time-to-event, and they could only learn from the labeled WSI data currently at a small scale. To tackle these problems, we propose a novel adversarial multiple instance learning (AdvMIL) framework. This framework is based on adversarial time-to-event modeling, and integrates the multiple instance learning (MIL) that is much necessary for WSI representation learning. It is a plug-and-play one, so that most existing MIL-based end-to-end methods can be easily upgraded by applying this framework, gaining the improved abilities of survival distribution estimation and semi-supervised learning. Our extensive experiments show that AdvMIL not only could often bring performance improvement to mainstream WSI survival analysis methods at a relatively low computational cost, but also enables these methods to effectively utilize unlabeled data via semi-supervised learning. Moreover, it is observed that AdvMIL could help improving the robustness of models against patch occlusion and two representative image noises. The proposed AdvMIL framework could promote the research of survival analysis in computational pathology with its novel adversarial MIL paradigm.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI