WSI
MIL遇见的问题
（i）未考虑块之间的关系，从而可能限制模型性能；
（ii）无法处理在临床诊断中至关重要的检索任务。
MIL常见模型
- DSMIL
- CS-MIL
- SA-MIL
- TransMIL
- HIPT
- MRAN
指标
1. Confusion Matrix
在介绍各指标前，先定义常用符号：
- TP（True Positive）：预测为阳性且实际为阳性
- FP（False Positive）：预测为阳性但实际为阴性
- TN（True Negative）：预测为阴性且实际为阴性
- FN（False Negative）：预测为阴性但实际为阳性
混淆矩阵是所有二分类指标的基础。
2. Accuracy
-
公式：
\(\mathrm{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}\)
- 原理：衡量模型整体预测正确的比例。
- 代表意义：当正负样本分布均衡时，准确率能较好反映模型整体性能；但若类别高度不平衡，容易被多数类主导，掩盖少数类表现。
3. Precision
-
公式：
\(\mathrm{Precision} = \frac{TP}{TP + FP}\)
- 原理：在所有被预测为阳性的样本中，有多少是真正的阳性。
- 代表意义：关注“预测为阳性”的可靠性，适用于希望减少假阳性（FP）代价高的场景，比如误诊成本高。
4. Recall
-
公式：
\(\mathrm{Recall} = \frac{TP}{TP + FN}\)
- 原理：在所有实际为阳性的样本中，有多少被模型正确找出。
- 代表意义：关注“漏检率”（FN）低，适用于希望尽可能多地检测出阳性（如病灶检测）时。
5. Specificity
-
公式：
\(\mathrm{Specificity} = \frac{TN}{TN + FP}\)
- 原理：在所有实际为阴性的样本中，有多少被模型正确识别为阴性。
- 代表意义：衡量模型排除阴性样本的能力，与召回率互补；适合关注假阳性成本时。
6. F1 Score
-
公式：
\(F1 = 2 \times \frac{\mathrm{Precision} \times \mathrm{Recall}}{\mathrm{Precision} + \mathrm{Recall}}\)
- 原理：Precision 和 Recall 的调和平均，平衡两者权重。
- 代表意义：当需要兼顾查准率和召回率时，F1 能提供一个综合度量，尤其在类别不平衡时比准确率更可靠。
7. ROC 曲线及 AUC
- ROC 曲线：以假阳性率（FPR = FP / (FP + TN)）为横轴，召回率（TPR = Recall）为纵轴，绘制不同阈值下的曲线。
-
AUC（ROC AUC）：
\(\mathrm{AUC} = \int_0^1 \mathrm{TPR}(FPR) \, dFPR\)
- 原理：评估模型在不同阈值下区分正负样本的能力，AUC 越接近 1，说明模型区分度越高。
- 代表意义：不依赖特定阈值，适合总体性能评估；对类别不平衡较鲁棒。
8. PR 曲线及 AUPRC
- PR 曲线：以召回率（Recall）为横轴，精确率（Precision）为纵轴，绘制不同阈值下的曲线。
-
AUPRC：
\(\mathrm{AUPRC} = \int_0^1 \mathrm{Precision}(\mathrm{Recall}) \, d(\mathrm{Recall})\)
- 原理：更关注模型对正类（通常为少数类）检出的性能。
- 代表意义：在正负样本极度不平衡时，AUPRC 能更敏感地反映模型对少数类的区分能力。
9. Average Precision, AP
-
公式：将 Precision–Recall 曲线离散化后计算加权和：
\(AP = \sum_n (R_n - R_{n-1}) P_n\)
其中 \(P_n\)、\(R_n\) 分别为第 \(n\) 个阈值下的精确率和召回率。
- 原理：在 PR 曲线下方求和，等同于 AUPRC 的一种离散近似。
- 代表意义：常用于目标检测评估，兼顾模型查准和召回能力。
10. MCC
-
公式：
\(\mathrm{MCC} = \frac{TP \times TN - FP \times FN}{\sqrt{(TP + FP)(TP + FN)(TN + FP)(TN + FN)}}\)
- 原理：基于混淆矩阵的关联度量，输出范围 \([-1,1]\)。
- 代表意义：综合考虑 TP、TN、FP、FN，适用于类别不平衡情况；MCC 越接近1，模型性能越好。