DTFD-MIL：ヒストパスロジー全スライド画像分類のための二段階特徴蒸留マルチインスタンス学習

複数インスタンス学習（Multiple Instance Learning, MIL）は、組織病理学的全体スライド画像（Whole Slide Images, WSIs）の分類においてますます広く利用されている。しかし、この特定の分類問題に対して用いられるMILアプローチは、依然として独自の課題に直面しており、特に小規模なサンプルコホートに関する問題が顕著である。このような状況では、WSIスライド（バグ）の数が限られている一方で、1枚のWSIの解像度は極めて高く、その結果、スライドから抽出されるパッチ（インスタンス）の数が膨大になる。この問題に対処するため、本研究では「仮想バグ（pseudo-bags）」という概念を導入し、バグ数を仮想的に増加させる手法を提案する。これに基づき、インスタンスの内在的特徴を効果的に活用できる二段階MILフレームワークを構築した。さらに、注目メカニズムを用いたMILの枠組みにおいて、インスタンスの確率を導出する手法も提案し、その導出結果を用いて本手法の構築と分析を支援した。提案手法はCAMELYON-16データセットにおいて、他の最新手法と比べて著しく優れた性能を示し、TCGA肺がんデータセットにおいても高い性能を達成した。本フレームワークは、より広範なMIL応用への拡張が可能である。実装コードは以下のURLから公開されている：https://github.com/hrzhang1123/DTFD-MIL