MeCaMIL
MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis
data: CAMELYON16、TCGA-Lung、TCGA-Multi
引言
通过结构因果图建模年龄、性别等人口统计混杂因素，研究疾病信号与人口相关信息的解耦，并评价诊断表现和群体公平性。
方法
（1）结构因果图：显式表示人口属性与组织/疾病信号关系。
（2）信息解耦：利用因果路径处理潜在混杂。
（3）群体评价：同时考察整体分类与年龄、性别等子群表现。
原文Fig. 1，PDF 第 2 页。
实验
实验设置
ResNet18 特征，Adam、50 epochs、早停；分别比较图像单模态与包含人口统计属性的配置。
主要结果
C16 的 ACC/AUC/F1 为 0.939/0.983/0.946；TCGA 的图像单模态与包含人口属性的结果应分别读。
原文TABLE III，PDF 第 8 页。
消融与讨论
消融因果图路径与人口统计信息，并报告群体差异；C16 人口信息有限，公平性证据主要依靠相应 TCGA 数据。
参考文献
MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis