すべての誤りにはそれぞれの深刻度がある：多クラス多インスタンス学習のための非対称な誤り深刻度訓練

要約: マルチプル・インスタンス・ラーニング（MIL）は、全スライド画像（WSI）診断の有望なパラダイムとして浮上しており、限られたアノテーションで効果的な学習を提供します。しかし、既存の MIL フレームワークは診断の優先順位を見落とし、多クラスにおける誤分類の深刻さを区別できず、臨床的に重大なエラーを放置しています。私たちは、誤分類の深刻度を意識した訓練戦略を提案します。診断クラスを階層構造に整理し、各レベルを深刻度重み付きクロスエントロピー損失を用いて最適化し、深刻度の高い誤分類をより強く罰します。さらに、階層的一貫性は確率的整列によって保証され、インスタンスバッグに適用された意味特徴リミックスを用いて、クラスの優先順位を堅牢に訓練し、複数の症状を含む臨床ケースに対応します。非対称の Mikel's Wheel ベースの指標も、医療分野特有の誤りの深刻度を定量化するために導入されます。難易度の高い公開データセットと実世界の社内データセットを対象とした実験は、既存法と比較して私たちのアプローチが MIL 診断の重大なエラーを有意に緩和することを示しています。提案手法の一般化可能性を示すため、自然ドメインデータに関する追加の実験結果も提示します。