[論文レビュー] ProtoMIL: Multiple Instance Learning with Prototypical Parts for Whole-Slide Image Classification

Dawid Rymarczyk, Adam Pardyl+4 more|arXiv (Cornell University)|Aug 24, 2021

Machine Learning and Data Classification被引用数 6

ひとこと要約

ProtoMIL は、可視化可能なプロトタイプ部品を活用することで、正確性を損なわずに解釈可能性を向上させる自己説明可能な複数インスタンス学習（MIL）フレームワークを、全スライド画像（WSI）分類に導入した。アテンションベースのパッチ類似度集約により、予測の細分化された視覚的説明を可能にするとともに、5つのWSIデータセットで最先端の性能を達成した。

ABSTRACT

Multiple Instance Learning (MIL) gains popularity in many real-life machine learning applications due to its weakly supervised nature. However, the corresponding effort on explaining MIL lags behind, and it is usually limited to presenting instances of a bag that are crucial for a particular prediction. In this paper, we fill this gap by introducing ProtoMIL, a novel self-explainable MIL method inspired by the case-based reasoning process that operates on visual prototypes. Thanks to incorporating prototypical features into objects description, ProtoMIL unprecedentedly joins the model accuracy and fine-grained interpretability, which we present with the experiments on five recognized MIL datasets.

研究の動機と目的

• 既存の複数インスタンス学習（MIL）モデルにおける解釈可能性の欠如に対処すること。
• 学習データからプロトタイプ部品を学習することで、ケースベースの細分化された説明を提供する手法を開発すること。
• プロトタイプに基づく推論により、局所的およびグローバルな解釈可能性を実現しつつ、高い分類精度を維持すること。
• ブラックボックスなアテンション機構に依存するのを減らし、学習可能なクラス固有の視覚的プロトタイプに説明を根拠づけること。
• 袋内の代表的でない陽性インスタンスパッチからプロトタイプを学習するように促進することで、モデルの頑健性を向上させること。

提案手法

• 全スライド画像（WSI）をパッチに分割し、それらの類似度を学習可能なクラス固有のプロトタイプ部品と計算する。
• アテンションプーリングを適用して、パッチとプロトタイプ間の類似度を集約し、袋レベルの表現を生成する。
• 新しい正則化技術を導入し、代表的でないインスタンスでさえも、陽性の袋ラベルを決定づける要因となるプロトタイプの学習を促進する。
• プロトタイプの削除を用いて、データクラスをコンactに表現し、非クラス固有の部品を除去することで解釈可能性を向上させる。
• 2本のブランチネットワークを用いて、パッチ埋め込みとプロトタイプ特徴を同時に学習し、エンドツーエンドの訓練を可能にする。
• 人間による解釈を可能にするために、アテンション重み付きパッチを可視化し、それらを対応するプロトタイプ部品にリンクさせる。

実験結果

リサーチクエスチョン

• RQ1 MILモデルは、全スライド画像分類において、高い正確性と細分化された解釈可能性を両立させることができるか？
• RQ2 プロトタイプ部品は、自己教師ありでケースベースの推論の形で、どのように効果的に学習・利用できるか？
• RQ3 代表的でない陽性インスタンスからのプロトタイプ学習を促進することで、モデルの性能と解釈可能性が向上するか？
• RQ4 プロトタイプの削除は、性能の低下を最小限に抑えつつ、モデルの複雑さをどの程度低減できるか？
• RQ5 提案手法は、臨床的に意味のある形で、局所的（インスタンスレベル）およびグローバル（クラスレベル）の両方の説明を提供できるか？

主な発見

• ProtoMIL は、5つのベンチマークWSIデータセットで最先端の性能を達成し、現在のSOTAモデルと1〜2%の精度差に留まる。
• Camelyon16 データセットでは、87.3% ± 1.2% の正確性と 0.935 ± 0.007 のAUCを達成し、SOTA手法と同等の性能を示した。
• TCGA-RCC では、94.66% ± 1.0% の正確性と 0.988 ± 0.009 のAUCを達成し、腎臓がん分類において強力な性能を示した。
• プロトタイプの削除により、平均で約30%のプロトタイプ数が削減されたが、性能低下は最小限に抑えられ、コロナがんではわずかなAUC低下を除いては顕著ではなかった。
• モデルは、アテンション重み付きパッチ（局所的）とプロトタイプに基づく（グローバル）の両方の説明を提供し、標準的なMIL手法に比べて解釈可能性が著しく向上した。
• 実験の結果、ProtoMIL の解釈可能性は、複雑な解析を要するアテンションベースのモデル（例：TransMIL や CLAM）を上回ることが示された。