基于变分自编码器的鲁棒多实例学习：提升病理全切片图像对污染物与伪影的抗干扰能力

《Scientific Reports》：LVAERMIL: enhancing multiple instance learning robustness via latent variational autoencoders

　　多实例学习（MIL）已成为医学影像分类中广泛使用的方法，因为在医学影像领域中精确标注的数据十分稀缺。MIL方法将全切片图像视为实例集合（即图像块），训练时仅需提供集合级别的标签。近年来，MIL方法在分类和肿瘤定位基准任务中均取得了卓越成果。然而，在实际应用场景中，切片可能被来自其他样本的组织或伪影所污染，这可能导致MIL模型外推失效并产生医学误诊。这给MIL在病理实验室中的广泛应用带来了挑战。在本研究中，我们提出了潜在空间变分自编码器鲁棒多实例学习（Latent-VAE-Robust-MIL，LVAERMIL），这是一种新颖的概率模块，通过变分自编码器在特征提取器生成的潜在空间上学习实例级数据分布。该方法能够检测分布外的图像块并将其从MIL集合中剔除，从而提高任意MIL模型对全切片图像中污染物的鲁棒性。通过利用四种外部组织和两种扫描仪诱导的伪影对两个数据集进行污染处理所开展的广泛评估表明，LVAERMIL能够保持或提升八种最先进MIL模型在受污染数据集上的准确率，尤其是在切片中污染物含量较高时。