摘要

多实例学习（Multiple Instance Learning, MIL）是一种在全切片图像（Whole Slide Image, WSI）病理诊断中解决弱监督分类问题的有力工具。然而，现有的MIL方法通常基于独立同分布（i.i.d.）假设，忽略了不同实例之间的内在关联性。为解决这一问题，我们提出了一种新的框架——相关性多实例学习（Correlated MIL），并提供了该框架的收敛性证明。基于此框架，我们设计了一种基于Transformer的MIL方法（TransMIL），能够同时挖掘组织形态学与空间结构信息。所提出的TransMIL在处理不平衡/平衡、二分类/多分类任务时均表现出优异性能，且具备良好的可视化能力与可解释性。我们在三个不同的计算病理学任务上进行了广泛实验，结果表明，与当前最先进的方法相比，TransMIL在分类性能和收敛速度方面均表现更优。在CAMELYON16数据集上的二分类肿瘤识别任务中，测试AUC最高可达93.09%；在TCGA-NSCLC数据集和TCGA-RCC数据集上的癌症亚型分类任务中，AUC分别达到96.03%和98.82%。代码实现已开源，地址为：https://github.com/szc19990412/TransMIL。