TransMIL: تعلم متعدد الأمثلة المترابط القائم على المحول لتصنيف صور الشرائح الكاملة

التعلم متعدد الأمثلة (MIL) هو أداة قوية لحل مشكلة التصنيف المراقب الضعيف في تشخيص الأمراض النسيجية المستند إلى الصور الكاملة للشرائح (WSI). ومع ذلك، فإن الطرق الحالية للـMIL تعتمد عادةً على افتراض التوزيع المستقل والموحد، مما يؤدي إلى إهمال الارتباط بين الأمثلة المختلفة. ولحل هذه المشكلة، قمنا بطرح إطار عمل جديد يُسمى MIL المرتبط، وقمنا بتقديم إثبات لتباعد التقارب. استنادًا إلى هذا الإطار، طوّرنا طريقة جديدة تُسمى TransMIL، وهي تعتمد على نموذج Transformer، وتمكّنت من استكشاف المعلومات المورفولوجية والمكانية معًا. يمكن لـ TransMIL المقترحة التعامل بكفاءة مع التصنيف الثنائي والمتعدد، سواء في الحالات المتوازنة أو غير المتوازنة، مع توفير تصور بصري وقابلية تفسير عالية. أجرينا سلسلة من التجارب على ثلاث مشكلات مختلفة في علم الأمراض الحاسوبي، وحققنا أداءً أفضل وتباطؤًا أسرع في التقارب مقارنة بالأساليب المتطورة حديثًا. وبلغت نسبة AUC في تصنيف الأورام الثنائية على مجموعة بيانات CAMELYON16 ما يصل إلى 93.09٪. كما بلغت نسبة AUC في تصنيف أنواع السرطان الفرعية 96.03٪ و98.82٪ على مجموعتي بيانات TCGA-NSCLC وTCGA-RCC على التوالي. يمكن الاطلاع على التنفيذ عبر الرابط التالي: https://github.com/szc19990412/TransMIL.