Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models

Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models

1. 本研究の学術的背景、核となる学術的「問い」: デジタル病理学領域での多腕バンディット学習（MIL）の注意ベースの進歩により、モデルが予測を行うために依存している組織領域についての理解が深まりました。しかしながら、これらのアプローチの解釈可能性は依然として限られています。具体的には、高注意領域がクラスラベルとどのように関連しているのか、あるいはこれらの領域が既存の臨床的および生物学的知識とどの程度一致しているのかを報告していない。この問題に対し、「MILモデルをどのように解析すれば、これらの情報が把握できるか？」というのが、本研究の主要な問いとなります。

2. 本研究の目的及び学術的独自性と創造性: 本研究の目的は、MILモデルを解析するための訓練後の方法論を導入することです。まず、一連のエンコーダによって生成されるタイルレベルの注意と予測スコアを組み合わせて、予測-注意重み付け（PAW）マップを導入します。これにより、高度な注意を引く領域の予測貢献度を定量化できます。次に、PAWマップと核分割マスクを統合することにより、生物学的特徴実例化技術を導入します。これにより、組織の細胞組織に関連した生物学的に意味のある特徴を提供し、既知の臨床特徴との比較を容易にします。

3. 本研究の着想とその位置づけ: 本研究は、既存の注意ベースのMILモデルの解釈可能性の制約に対する洞察を描き出しています。特に、予測に重要な領域が何を意味しているのか、またそれが既知の生物学的知識とどの程度一致しているのかという解析の難しさが指摘されています。

4. 本研究で何をどのように、どこまで明らかにした: 本研究では、PAWマップと生物学的特徴実例化技術を導入し、これらを用いて複数の組織サンプルから得られたパターンを可視化しました。また、研究では、悪い予後の予測因子となる領域は、通常、腫瘍領域と一致しないことを明らかにしました。

5. 本研究の有効性はどのように検証した: 本研究では、PAWマップが前立腺がんの診断（つまり、悪性組織を含む検体、381/516組織検体）および予後（つまり、手術後の生化学的再発を呈する患者からの検体、98/663組織検体）のために得た結果を比較することで、我々のアプローチの有用性を示しました。