AutoMIL：用于全切片图像分类的自动化多实例学习
AutoMIL: Automated Multiple Instance Learning for Whole-Slide Image Classification
精选理由
AutoMIL 自动化全切片图像分类流程，降低病理与机器学习门槛，并在多个数据集上取得有竞争力的表现。
AI 摘要
开发用于全切片图像分类的多实例学习流水线，涉及许多相互依赖的设计决策，并需要病理学和机器学习两方面的专业知识。我们提出了 AutoMIL，这是一个开源框架，将自动化机器学习领域的原则应用于这一任务，通过自动化预处理、训练和评估等关键流水线步骤来应对这一挑战。在采用默认设置的基准评估中，AutoMIL 在 UBC-OCEAN 上的 ROC-AUC 得分达到 0.94，在 PCam 上达到 0.99，在 TCGA-NSCLC 子集上达到 0.93–0.96，与相关研究中的专用流水线表现相当。集成方法主要提升了不平衡数据上的性能，表明自动化流水线必须适应数据集的特征。因此，AutoMIL 为全切片图像分类提供了一个易于使用的基线，无需手动配置流水线。