ProtoMIL
Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification
data: CAMELYON16、PANDA
引言
用稀疏自编码器发现可解释概念，再将切片预测表示为概念的线性组合，支持人为修改概念以检查和干预模型决策。
方法
（1）概念发现：以稀疏自编码器学习可解释的病理特征。
（2）概念预测：把切片决策写成概念的线性组合。
（3）人为干预：删除或修改输入概念，检查是否依赖无关信息。
原文Fig. 1，PDF 第 2 页。
实验
实验设置
C16 保留官方测试集，训练/验证为 80/20；PANDA 公开训练部分按 80/10/10 划分。
主要结果
概念输入下分类表现与传统图像特征 MIL 相近，同时允许人工删除不相关概念；核心不是单纯追求最高 AUC。
原文Table 1，PDF 第 8 页。
消融与讨论
比较干预前后性能及概念原型，检查预测是否依赖与诊断无关的概念。
参考文献
Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification