M4: Multi-Proxy Multi-Gate Mixture of Experts Network for Multiple Instance Learning in Histopathology Image Analysis

要約

マルチインスタンス学習 (MIL) は、計算病理学における全スライド画像 (WSI) 解析に適用され、腫瘍のサブタイピングから遺伝子変異やマルチオミクス バイオマーカーの推論まで、幅広い予測タスクを可能にします。
しかし、既存の MIL 手法は主に単一タスクの学習に焦点を当てているため、全体的な効率が低いだけでなく、タスク間の関連性も見落とされています。
これらの問題に対処するために、我々は、マルチインスタンス学習（M4）のためのマルチプロキシを備えたマルチゲート専門家混合の適応アーキテクチャを提案し、このフレームワークをWSIからの複数の遺伝子変異の同時予測に適用しました。
提案された M4 モデルには 2 つの主な革新があります。(1) 単一の病理学的スライド上で複数の遺伝子変異を予測するための複数のゲーティング戦略を持つ専門家の混合を利用します。
（２）病理画像情報の包括的かつ効果的なモデリングのためのマルチプロキシエキスパートネットワークとゲートネットワークを構築する。
私たちのモデルは、現在の最先端のシングルタスク手法と比較して、テストされた 5 つの TCGA データセット全体で大幅な改善を達成しました。
コードはhttps://github.com/Bigyehahaha/M4から入手できます。

要約(オリジナル)

Multiple instance learning (MIL) has been successfully applied for whole slide images (WSIs) analysis in computational pathology, enabling a wide range of prediction tasks from tumor subtyping to inferring genetic mutations and multi-omics biomarkers. However, existing MIL methods predominantly focus on single-task learning, resulting in not only overall low efficiency but also the overlook of inter-task relatedness. To address these issues, we proposed an adapted architecture of Multi-gate Mixture-of-experts with Multi-proxy for Multiple instance learning (M4), and applied this framework for simultaneous prediction of multiple genetic mutations from WSIs. The proposed M4 model has two main innovations: (1) utilizing a mixture of experts with multiple gating strategies for multi-genetic mutation prediction on a single pathological slide; (2) constructing multi-proxy expert network and gate network for comprehensive and effective modeling of pathological image information. Our model achieved significant improvements across five tested TCGA datasets in comparison to current state-of-the-art single-task methods. The code is available at:https://github.com/Bigyehahaha/M4.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google