DGMIL：分布に基づく複数インスタンス学習によるWhole Slide Image分類

多重インスタンス学習（Multiple Instance Learning, MIL）は、組織病理学的全スライド画像（Whole Slide Images, WSIs）の解析に広く用いられている。しかし、従来のMIL手法はデータの分布を明示的にモデル化しておらず、分類器の学習を通じて袋（bag）レベルまたはインスタンス（instance）レベルの判別境界を単に判別的に学習するにとどまっている。本論文では、WSI分類および陽性パッチの局在化を目的として、特徴分布をガイドとする深層MILフレームワークであるDGMIL（Distribution-guided Deep MIL）を提案する。複雑な判別的ネットワークアーキテクチャの設計に依存するのではなく、我々は組織病理学的画像データが内在する特徴分布が、インスタンス分類において非常に有効なガイドとなることを示した。これに基づき、クラスタ条件付きの特徴分布モデリング手法と、仮ラベルを用いた反復的特徴空間の最適化戦略を提案した。その結果、最終的な特徴空間において陽性インスタンスと陰性インスタンスを明確に分離できるようになる。CAMELYON16データセットおよびTCGA肺がんデータセットにおける実験結果から、本手法はグローバル分類および陽性パッチ局在化の両タスクにおいて、いずれも新たなSOTA（State-of-the-Art）を達成することが示された。