arXiv cs.AI· Jonas Waibel, Frank Kramer, Dominik M\"uller·· 11 小时前AI 评分31
AutoMIL：面向全切片图像分类的自动化多实例学习框架
AutoMIL: Automated Multiple Instance Learning for Whole-Slide Image Classification
AI 导读
AutoMIL 是一个开源框架，将自动化机器学习原则用于全切片图像分类，自动完成预处理、训练与评估等流水线步骤。默认设置下基准测试达到 UBC-OCEAN ROC-AUC 0.94、PCam 0.99、TCGA-NSCLC 子集 0.93-0.96，与相关工作中的专用流水线相当。集成主要在不平衡数据上带来提升，表明自动化流水线需适配数据集特性。
正文 · AI 翻译
摘要：开发用于全切片图像分类的多实例学习流程涉及许多相互依赖的设计决策，以及病理学和机器学习两方面的专业知识。我们提出 AutoMIL，这是一个开源框架，它应用自动化机器学习领域的原则，通过自动化预处理、训练和评估等关键流程步骤来解决这一任务。在默认设置的基准评估中，AutoMIL 在 UBC-OCEAN 上达到 0.94 的 ROC-AUC 分数，在 PCam 上达到 0.99，在 TCGA-NSCLC 子集上达到 0.93-0.96，与相关工作中的专用流程相当。集成主要改善了不平衡数据上的性能，表明自动化流程必须适应数据集特征。因此，AutoMIL 为全切片图像分类提供了一个无需手动配置流程的易用基线。
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.32452 [cs.CV] |
| （或 arXiv:2610.32452v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32452 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Dominik Müller [查看电子邮件]
[v1]
2026年10月23日星期五 10:17:42 UTC（236 KB）
来源：arXiv cs.AI · arxiv.org