lingxitong/MIL_BASELINE

解決的問題

計算病理學涉及分析通常過於龐大（數百億像素）而無法使用傳統影像分析方法的病理影像。此專案提供了一個統一且標準化的 Multiple Instance Learning (MIL) 庫，這是處理這些巨大影像的主要架構。它解決了不同 MIL 方法之間框架零散且結構不一致的問題，使研究與重現變得更容易。

如何運作

該庫將各種 MIL 架構整合至單一框架中。它將工作流程分為幾個明確的階段：

1. 特徵提取：支援多種主幹模型（如 ResNet50、ViT-S，以及專用病理模型如 UNI 和 Virchow），將大型影像轉換為特徵向量。
2. 資料集管理：使用統一的 CSV 接口定義資料集，並提供多個腳本將資料分割為訓練、驗證和測試集（包含 K 折選項）。
3. 模型訓練：使用者透過 YAML 檔案配置模型，並執行標準化的訓練腳本（train_mil.py）與測試腳本（test_mil.py）。
4. 可視化：內建工具可生成 t-SNE 降維圖與注意力熱力圖，以解釋模型決策。

適用對象

需要標準化基線來在全切片影像（WSIs）上實現、比較與評估不同 Multiple Instance Learning 模型的計算病理學研究人員與實務工作者。

主要特色

• 豐富的模型倉庫：實現了大量 MIL 網路，包括 AB-MIL、CLAM、TransMIL，以及最新的基於 Mamba 與圖神經網絡的架構。
• 統一介面：標準化資料集載入與模型配置方式，可輕鬆切換不同的 MIL 方法。
• 全面的評估指標：內建支援 AUC、F1、準確率、平衡準確率與 Kappa 分數。
• 基礎模型整合：支援使用先進的病理學基礎模型（如 GigaPath 和 CONCH）進行特徵提取。