病理切片零样本预测改走权重生成:MI-Hyper在308个任务上平均AUC高出MI-Zero 1.85个百分点
全切片图像的零样本预测此前主要靠把切片块与类别文本的相似度池化,MI-Zero就是这一路线。MI-Hyper改为用超网络从任务与类别描述直接生成多实例学习模型的聚合权重和分类权重,先在混合病理任务上联合训练生成器与共享MIL基座,再冻结基座精调生成器。在52个病理数据集共308个任务上,其平均AUC、平衡准确率和宏F1分别比MI-Zero高1.85、1.17和0.57个百分点,部分分子预测任务的AUC与平衡准确率提升超过20个百分点。