[Paper] PathBench-MIL：用于组织病理学中多实例学习的综合 AutoML 与基准评估框架

Source: arXiv - 2512.17517v1

概述

PathBench‑MIL 是一个开源框架，将 自动机器学习 (AutoML) 和可复现的基准测试 引入组织病理学图像的多实例学习 (MIL) 流程。通过将数据预处理、特征提取和 MIL‑聚合拼接成一个可配置的工作流，它使研究人员和开发者只需几行代码就能在任何全切片数据集上比较数十种最先进的模型。

关键贡献

• 端到端 AutoML 流水线 用于数字病理学中的 MIL，涵盖切片分块、染色标准化、特征提取和聚合。
• 统一配置系统（YAML/CLI），使用户无需修改代码即可切换模型、特征提取器和超参数。
• 全面的基准套件：包括 30 多种 MIL 架构（如 Attention‑MIL、CLAM、DSMIL）和 10 多种特征提取器（ResNet、EfficientNet、Vision Transformers、手工纹理描述符）。
• 可视化工具箱：注意力热图、实例级嵌入以及与 TensorBoard/Streamlit 集成的性能仪表盘。
• 模块化、可扩展的设计：通过简易的 Python API 插入新模型、数据集或评估指标。
• 开源发布，采用 MIT 许可证，提供详细文档和 CI 测试的可复现性。

方法论

PathBench‑MIL 将全切片图像（WSI）视为 实例袋（小块）。工作流分为三个阶段：

1. 预处理 – 将 WSI 切分为块，可选地通过组织检测进行过滤，并使用 Macenko 或 Reinhard 方法对染色变异进行归一化。
2. 特征提取 – 每个块通过选定的主干网络（CNN、Vision Transformer 或手工特征描述子）得到固定长度的嵌入。框架会缓存嵌入以避免重复计算。
3. MIL 聚合 – 将嵌入袋输入到选定的 MIL 模型。系统支持经典池化（max/mean）、基于注意力的池化、基于图的聚合器以及 transformer 风格的集合编码器。超参数（学习率、批大小、优化器）通过 Optuna 或 Ray Tune 自动调优。

所有组件均在声明式 YAML 文件中定义，能够在不同硬件（CPU、单 GPU、 多 GPU）上实现可复现的运行。基准测试框架在给定数据集上运行每个配置，记录指标（AUROC、准确率、F1），并将结果存入 SQLite/CSV 账本以供后续分析。

结果与发现

• 加速: 自动超参数搜索将达到 Camelyon16 数据集目标 AUROC 为 0.85 的时间从约 12 小时（手动调参）缩短至约 3 小时。
• 性能上限: 在 30 多种 MIL 变体中，表现最佳的配置（EfficientNet‑B3 + Attention‑MIL）达到了 AUROC = 0.94，与已发表的最新成果持平或超出。
• 特征提取器影响: Vision Transformers (ViT‑B/16) 在异构染色模式下始终优于 ResNet‑50，但需要更多 GPU 内存；框架的缓存机制减轻了此开销。
• 可重复性: 在三台不同机器上运行相同基准测试，AUROC 的差异小于 0.3 %，验证了数据划分和随机种子处理的确定性。
• 可用性: 对 12 家病理实验室的用户研究显示，与临时脚本相比，新实验的设置时间减少了 70 %。

实际意义

• 快速原型：开发者可以在几分钟内启动完整的 MIL 实验，从而更快地迭代新架构或特定领域的增强。
• 标准化评估：构建 AI 辅助诊断工具的公司可以将其模型与通用基线进行基准测试，便于监管文档编制和跨合作伙伴协作。
• 资源优化：缓存的嵌入和内置的超参数搜索减少了 GPU 资源的浪费，降低了云计算成本。
• 教育工具：可视化套件使得向临床医生解释模型决策（例如注意力热图）变得容易，弥合了“黑箱”鸿沟。
• 可扩展到其他领域：由于 MIL 是通用的，PathBench‑MIL 可重新用于放射学、卫星影像或任何标签存在于包级别而非实例级别的任务。

限制与未来工作

• 对超大规模队列的可扩展性：虽然缓存有所帮助，但处理数百万个切片仍然需要大容量存储；未来版本将集成分布式数据存储（例如 Dask、Parquet）。
• 对弱监督标签的支持有限：当前基准假设二元幻灯片级标签；将来计划扩展到多类或序数结果。
• GPU 内存限制：基于 Transformer 的特征提取器消耗大量内存；计划的优化包括混合精度训练和梯度检查点。
• 领域偏移处理：该框架尚未提供自动染色风格迁移或领域适应模块——未来发布将致力于接入此类技术。

PathBench‑MIL 将自身定位为“全能站点”，为任何想在组织病理学中尝试 MIL 的人提供“一站式”解决方案，将原本需要数周工程实现的工作转变为可复现、即插即用的工作流。前往 GitHub 查看并立即开始扩展你的病理 AI 项目。

作者

• Siemen Brussee
• Pieter A. Valkema
• Jurre A. J. Weijer
• Thom Doeleman
• Anne M. R. Schrader
• Jesper Kers

论文信息

• arXiv ID: 2512.17517v1
• 分类: cs.CV, cs.LG, cs.NE, cs.SE, q-bio.TO
• 出版日期: 2025年12月19日
• PDF: 下载 PDF