Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Hierarchical Classification for Improved Histopathology Image Analysis

Keunho Byeon, Jinsol Song|arXiv (Cornell University)|Feb 28, 2026
AI in cancer detection被引用数 0
ひとこと要約

HiClassは、階層的で双方向の特徴統合フレームワークと、 coarse-および fine-grained な全スライド画像分類を共同最適化するための特化損失を導入します。胃内生検データセットで平坦なMILや他のベースラインを上回ります。

ABSTRACT

Whole-slide image analysis is essential for diagnostic tasks in pathology, yet existing deep learning methods primarily rely on flat classification, ignoring hierarchical relationships among class labels. In this study, we propose HiClass, a hierarchical classification framework for improved histopathology image analysis, that enhances both coarse-grained and fine-grained WSI classification. Built based upon a multiple instance learning approach, HiClass extends it by introducing bidirectional feature integration that facilitates information exchange between coarse-grained and fine-grained feature representations, effectively learning hierarchical features. Moreover, we introduce tailored loss functions, including hierarchical consistency loss, intra- and inter-class distance loss, and group-wise cross-entropy loss, to further optimize hierarchical learning. We assess the performance of HiClass on a gastric biopsy dataset with 4 coarse-grained and 14 fine-grained classes, achieving superior classification performance for both coarse-grained classification and fine-grained classification. These results demonstrate the effectiveness of HiClass in improving WSI classification by capturing coarse-grained and fine-grained histopathological characteristics.

研究の動機と目的

  • 病理組織ラベルの自然な階層構造（粗粒度対細粒度）を活用してWSI分類を改善する動機づけ。
  • 階層レベル間の双方向特徴交換を備えた階層的MILベースのフレームワークを開発する。
  • 一貫性を強制し、同一グループ内の識別性を高め、同グループ内/外グループ分離を制約する階層認識損失項を提案する。
  • 胃内視鏡生検データセットで、粗粒度および細粒度の両方のタスクで性能を向上させる。

提案手法

  • パッチレベルのエンコーダは、自己教師あり事前学習モデル UNI を用いて 512x512 パッチの 1024 次元特徴を抽出する。
  • 注意機構を用いたMILスタイルの特徴集約により、スライドレベルの表現を1つ生成する。
  • 双方向の特徴統合により、スライド特徴を粗粒度(256-d)と細粒度(256-d)のベクトルに分割し、勾配制御機構を介して情報を交換する。
  • 各ブランチは拡張特徴を投影ヘッドと分類ヘッドへ通し、粗粒度および細粒度のロジットを生成する。
  • 4つの階層認識損失を使用する：レベル共通のクロスエントロピー損失(L_CE)；Jensen-Shannon Divergenceを用いた階層的一貫性損失(L_Con)；KL発散を用いた同一クラス間距離/クラス間距離損失(L_Int)；粗粒度カテゴリ同じに細粒度予測を制限するグループ別クロスエントロピー損失(L_GCE)。
Figure 1 : Overview of HiClass. $N_{p}$ , $N_{c}$ , and $N_{f}$ represent the number of patches, coarse-grained classes, and fine-grained classes, respectively.
Figure 1 : Overview of HiClass. $N_{p}$ , $N_{c}$ , and $N_{f}$ represent the number of patches, coarse-grained classes, and fine-grained classes, respectively.

実験結果

リサーチクエスチョン

  • RQ1階層認識フレームワークは、平坦なアプローチと比べて粗粒度と細粒度のWSI分類の両方を改善できるか。
  • RQ2双方向特徴統合は、単方向または統合なしより階層的意味論をより良く保持するか。
  • RQ3専門的な損失項は、階層学習と粗粒度/細粒度間の識別性を協調的に高めるか。
  • RQ4HiClassは、粗粒度4クラス/細粒度14クラスの実データ胃生検データセットでどのように性能を示すか。

主な発見

ModelTaskAccuracy (%)F1-macro
MaxMILCoarse-grained80.990.8185
MaxMILFine-grained65.230.4520
HierarchicalCoarse-grained78.190.7918
HierarchicalFine-grained61.990.4026
MeanMILCoarse-grained82.070.8292
MeanMILFine-grained66.310.4324
HierarchicalCoarse-grained83.150.8407
HierarchicalFine-grained65.870.4135
CLAM-SBCoarse-grained84.880.8565
CLAM-SBFine-grained67.170.4650
HierarchicalCoarse-grained82.510.8348
HierarchicalFine-grained68.470.4867
CLAM-MBCoarse-grained82.940.8385
HierarchicalCoarse-grained82.940.8419
CLAM-MBFine-grained67.600.5046
HierarchicalFine-grained68.470.4867
TransMILCoarse-grained81.210.8170
TransMILFine-grained61.340.3392
HierarchicalCoarse-grained79.700.8055
HierarchicalFine-grained61.770.3604
S4MILCoarse-grained84.230.8496
S4MILFine-grained68.250.4320
HierarchicalCoarse-grained83.590.8454
HierarchicalFine-grained68.470.4880
Chang et al.Coarse-grained83.800.8475
HiClass (Ours)Coarse-grained85.100.8610
HiClass (Ours)Fine-grained68.680.5220
  • HiClassは、胃の生検データセットで粗粒度分類の正確度85.10%、F1-マクロ0.8610を達成。
  • HiClassは、細粒度分類で正確度68.68%、F1-マクロ0.5220を達成。
  • HiClassは、複数のベースラインに対して、粗粒度・細粒度タスクの両方で比較対象のMILおよび階層モデルを上回る。
  • 双方向特徴統合は、単方向または統合なしより一貫して性能を向上させる。
  • L_Con、L_Int、L_GCEと L_CE の組み合わせは、階層的性能を最大化し、共同損失の重要性を強調する。
Figure 2 : Illustration of proposed hierarchy-aware loss functions. (a) Standard cross-entropy loss is applied independently to coarse- and fine-level predictions. (b) Hierarchical consistency loss ( $L_{Con}$ ) aligns the most confident coarse- and fine-level features using Jensen-Shannon divergenc
Figure 2 : Illustration of proposed hierarchy-aware loss functions. (a) Standard cross-entropy loss is applied independently to coarse- and fine-level predictions. (b) Hierarchical consistency loss ( $L_{Con}$ ) aligns the most confident coarse- and fine-level features using Jensen-Shannon divergenc

より良い研究を、今すぐ始めましょう

論文設計から論文執筆まで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。