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

要約

組織学的全スライド画像 (WSI) 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。
ギガピクセル WSI 用に多くの教師あり深層学習モデルが開発されてきましたが、その可能性は一般に、従来の生存分析規則と完全教師あり要​​件によって制限されています。
その結果、これらのモデルは患者にイベント発生までの時間の完全に確実な推定値のみを提供し、現在は小規模で十分に注釈が付けられた WSI データからしか学習できませんでした。
これらの問題に取り組むために、新しい敵対的複数インスタンス学習 (AdvMIL) フレームワークを提案します。
このフレームワークは、敵対的イベント発生時間モデリングに基づいており、WSI 表現学習に必要な複数インスタンス学習 (MIL) を統合しています。
これはプラグアンドプレイであるため、埋め込みレベルの MIL ネットワークを備えたほとんどの既存の WSI ベースのモデルは、このフレームワークを適用することで簡単にアップグレードでき、生存分布推定と半教師あり学習の能力が向上します。
私たちの広範な実験は、AdvMIL が比較的低い計算コストで主流の WSI モデルにパフォーマンスの向上をもたらすだけでなく、これらのモデルが半教師あり学習でラベルのないデータから学習できることを示しています。
私たちのAdvMILフレームワークは、敵対的MILの新しいパラダイムを使用して、計算病理学におけるイベント発生時間モデリングの研究を促進できます。

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-supervision 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 well-annotated 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 it 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 WSI-based models with embedding-level MIL networks can be easily upgraded by applying this framework, gaining the improved ability of survival distribution estimation and semi-supervised learning. Our extensive experiments show that AdvMIL could not only bring performance improvement to mainstream WSI models at a relatively low computational cost, but also enable these models to learn from unlabeled data with semi-supervised learning. Our AdvMIL framework could promote the research of time-to-event modeling in computational pathology with its novel paradigm of adversarial MIL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google