ProtoMIL: metoda uczenia wielokrotnej instancji z częściami prototypowymi dla precyzyjnej interpretowalności

Uczelnie wielokrotnej instancji (Multiple Instance Learning - MIL) to trudny problem klasyfikacji, w którym próbuje się przewidzieć etykietę nie jednej instancji, ale całego ich zbioru. Problem ten ma ogromne znaczenie w przypadku analizy obrazów medycznych, gdzie wiele zbiorów danych składa się z obrazów mikroskopowych wysokiej rozdzielczości, zbyt dużych, aby przetwarzać je bez dzielenia na mniejsze części. Zastosowania takie wymagają nie tylko wskazania przez model które obrazy zawierają komórki nowotworowe, ale także z powodów prawnych wyjaśnienia przyczyn podjęcia przez model danej decyzji. Próbując rozwiązać ten problem wprowadzamy ProtoMIL, nowatorską, samoobjaśniającą się metodę MIL, inspirowaną procesem rozumowania opartego na analizie przypadku, wykorzystującego prototypy wizualne. Nasze podejście obejmuje precyzyjną interpretację decyzji modelu, nieobecną w innych metodach MIL, jednocześnie osiągając porównywalną lub lepszą wydajność na popularnych zestawach danych obrazowania medycznego.

Multiple Instance Learning (MIL) is a difficult classification problem in which one tries to predict the label of not one, but the entire set of instances. It is of great importance for medical image analysis, where many datasets consist of vast whole-slide images that are too big to be processed without being divided into smaller patches. Such applications require not only the model to indicate instances with malignant cells but also, because of legal issues, to explain its decision. We attempt to solve this problem by introducing ProtoMIL, a novel self-explainable MIL method inspired by the case-based reasoning process that operates on visual prototypes. Our approach incorporates fine-grained interpretability, not present in other MIL methods, while still achieving comparable or better performance on popular medical imaging datasets.