전체 슬라이스 이미지 분류에서 프론트 도어 매개 변수를 활용한 인과 추론 방법의 공통적인 이중 채널 특징 분리 특성 시연

Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification

프론트 도어 개입 및 다중 인스턴스 학습(MIL)을 이용한 인과 추론은 디지털 병리학 분야에서 전체 슬라이스 이미지(WSI) 분석을 발전시켰습니다. 이러한 방법들은 미세한 증거 서브 이미지의 특징 분포를 조정하여 WSI 수준의 진단과 정확하게 연결합니다. 우리는 그러한 방법들을 평가하기 위한 2가지 가설을 제시하고 검증했습니다: 1) 인과 추론 MIL은 독립적인 분류 채널을 도입하여 WSI 분류를 효과적으로 완료합니다; 2) 새로운 채널과 기준 채널에서 추출된 특징 간의 차이가 클수록, 거짓 상관 관계를 제거하는 데 효과가 증가합니다. 이 가설은 인과 추론 MIL의 핵심을 설명하는데, 이는 깊이 있는 특징 다양성을 높여 WSI 수준의 진단적 및 비진단적 증거 서브 이미지 사이의 잘못된 연관성을 제거하기 위해 병렬적인 독립 채널을 겹쳐서 사용하는 것입니다. 이러한 가설에 기반하여, 우리는 유방암 및 비소세포 폐암 데이터 세트에 대해 여러 인과 추론 MIL 방법을 평가했습니다. 이 가설은 WSI 분석에 인과 추론을 적용하는 새로운 이론적 관점을 제공합니다.

Causal inference using front door intervention and multi-instance learning (MIL) has advanced the analysis of Whole Slide Images (WSI) in digital pathology. These methods adjust feature distributions of subtle evidence sub-images to correctly associate them with WSI-level diagnoses. We propose and prove 2 hypotheses for evaluating such methods: 1) Causal inference MIL introduces an independent classification channel that effectively completes WSI classification; 2) Greater difference between features extracted by the new and baseline channels increases effectiveness in eliminating false correlations. This hypothesis describes the core of causal inference MILs: overlaying parallel, independent channels to eliminate false associations between WSI-level diagnostic and non-diagnostic evidence sub-images by increasing deep feature diversity. Based on these hypotheses, we evaluated several causal inference MILs on breast cancer and non-small cell lung cancer datasets. This hypothesis provides a new theoretical perspective for applying causal inference to WSI analysis.