DeCo-MIL: Ragionamento controfattuale per l'analisi WSI a coda lunga

Un nuovo metodo di apprendimento automatico, DeCo-MIL, affronta la sfida delle distribuzioni a coda lunga nell'analisi delle immagini di vetrini interi (WSI), una tecnica ampiamente utilizzata in patologia computazionale. Il metodo, descritto in un preprint su arXiv (2608.14719), affronta un problema di 'doppia coda lunga annidata': uno squilibrio tra classi a livello di vetrino, dove le malattie rare hanno pochi vetrini di addestramento, e uno squilibrio all'interno del vetrino, dove l'evidenza diagnostica è scarsa all'interno di ciascun vetrino. Questo accoppiamento distorce i modelli verso le classi comuni e degrada il riconoscimento delle condizioni rare. DeCo-MIL impiega un ragionamento controfattuale con debiasing della frequenza per mitigare entrambe le code. Per la coda interna, raggruppa i patch in ancore di morfologia tissutale e sostituisce ciascuna con un prototipo normale corrispondente, eseguendo un intervento controfattuale per stimare gli effetti causali. L'obiettivo è migliorare il riconoscimento delle classi rare nell'analisi WSI debolmente supervisionata, con potenziali implicazioni per l'accuratezza diagnostica in patologia. Il preprint è stato annunciato su arXiv con una classificazione incrociata, indicando la sua rilevanza in più domini. Il metodo fa parte di una ricerca in corso per rendere i sistemi di intelligenza artificiale più robusti agli squilibri dei dati del mondo reale.