xMIL 2026
Beyond attention heatmaps: How to get better explanations for multiple instance learning models in histopathology
data: 分类、回归、生存任务，多种 MIL 架构和 UNI2/Virchow2 特征
引言
系统评价分类、回归和生存任务中 MIL 热图的解释质量，比较扰动、相关性传播、积分梯度与注意力等解释方法。
方法
（1）热图评估：通过对输入/实例的扰动检验解释是否忠实于模型。
（2）多方法基准：比较注意力、梯度、IG、LRP 及扰动等解释。
（3）生物学对照：探索空间转录组相关与组织模式，区分解释忠实度和生物可读性。
原文Fig. 1，PDF 第 3 页。
实验
实验设置
用无需额外标签的热图评价框架比较六种解释方式，并探索空间转录组与 HPV 预测。
主要结果
Single 扰动与 LRP/IG 通常优于原始注意力，但排名依任务和模型而变；TransMIL 中 LRP 尤为突出。
消融与讨论
解释忠实度与预测准确度分开评价；不能因一张热图与病灶相似就断言其解释了模型决策。
参考文献
Beyond attention heatmaps: How to get better explanations for multiple instance learning models in histopathology