Nat Biomed Eng | 李瑞江团队开发通用的多示例学习框架—nnMIL，应用于病理计算

随着计算病理学和病理基础模型（pathology foundation models）的快速发展，现如今研究人员能够从全切片病理图像（whole-slide images,WSIs）中提取具有丰富语义信息的patch-level特征。然而，临床预测最终通常需要在整张切片甚至患者层面做出判断。因此，如何将大量patch特征有效整合为稳定、准确的slide-level预测，是计算病理学中的一个关键问题。

目前，多示例学习（multiple instance learning,MIL）是解决这一问题的主要方法，代表性工作包括 ABMIL【1】、CLAM【2】、DSMIL【3】和 TransMIL【4】等。这些方法通过设计不同的网络结构，将大量 patch-level 特征聚合为 slide-level 表征。但现有MIL方法仍存在一些不足。首先，由于不同WSI包含的patch数量差异很大，传统MIL训练过程中每次迭代只能处理一张全切片图像（batch size = 1），限制了模型训练的效率和稳定性。其次，现有研究更多关注设计新的MIL网络结构，而对于 batch size、采样策略和训练配置等因素缺乏系统研究。实际上，即使使用相同的网络结构，不同的训练策略也可能带来明显不同的性能。

为了解决这些问题，2026年8月25日，斯坦福大学李瑞江团队在Nature Biomedical Engineering发表了文章nnMIL: a generalizable multiple instance learning framework for computational pathology【5】。研究团队受到医学图像分割领域经典方法nnU-Net【6】的启发，提出了nnMIL（no-new MIL），一个简单、通用的多示例学习框架，旨在连接病理基础模型的patch-level特征和slide-level临床预测。与不断设计更加复杂的 MIL 网络不同，nnMIL更加关注如何通过系统优化训练策略，提高模型的性能、稳定性和泛化能力。研究团队在近40,000张 WSI、35个临床任务以及4种病理基础模型上对 nnMIL 进行了系统评估。相关任务涵盖疾病诊断和分型、分子生物标志物预测以及泛癌种预后预测。研究使用了 GigaPath【7】、H-Optimus-0【8】、UNI【9】和 Virchow2【10】四种病理基础模型。与7种现有MIL方法相比，nnMIL在不同任务和不同基础模型上总体表现更加稳定，并取得了更好的预测性能。

与现有研究相比，nnMIL有几个主要贡献：

研究思路。现有 MIL 研究通常重点关注设计新的网络结构，而 nnMIL 更强调训练策略本身的重要性。研究表明，相比不断增加模型复杂度，系统优化 MIL 的训练方式同样可以明显提高模型的性能、稳定性和泛化能力。进一步的实验发现，将 nnMIL 的训练策略应用到已有的 ABMIL 和 DSMIL 中，也能够提升这些模型的整体表现，说明这种训练思路并不局限于 nnMIL本身。

技术改进。nnMIL 通过随机采样固定数量的patch，将原本长度不同的输入转换为固定大小的输入，从而实现大batch训练。同时，研究团队进一步加入特征采样和平衡采样，并采用基于规则的参数配置方式，使模型能够更加稳定地适用于不同数据集和任务。其核心思想与 nnU-Net 类似: 与其针对每个数据集反复进行复杂的人工调参，不如将经过验证的经验总结为一套简单、可复用的配置规则。

临床可靠性。nnMIL不仅输出最终的slide-level预测，还能够通过特征维度滑窗推理获得多个预测结果，并进一步估计模型的不确定性。研究发现，不确定性较高的病例更容易出现预测错误，因此可以帮助筛选出需要病理学家进一步复核的复杂病例。对于分子标志物预测，高不确定性的病例也可以进一步考虑进行额外的分子检测。

nnMIL具有广泛的应用前景。随着GigaPath、UNI、Virchow2等病理基础模型不断发展，如何将强大的patch-level特征转化为可靠的slide-level临床预测将变得越来越重要。nnMIL提供了一种简单、通用且易于扩展的解决方案，可以应用于疾病诊断、分子标志物预测和患者预后评估等多种计算病理任务，为病理基础模型进一步走向临床应用提供了新的方法。

图1: nnMIL模型结构及临床验证

https://www.nature.com/articles/s41551-026-01767-8

参考文献

[1] Ilse M., Tomczak J., Welling M. Attention-based deep multiple instance learning. International Conference on Machine Learning, 2127–2136 (2018).

[2] Lu M.Y., et al. Data-efficient and weakly supervised computational pathology on whole-slide images. Nature Biomedical Engineering 5, 555–570 (2021).

[3] Li B., Li Y., Eliceiri K.W. Dual-stream multiple instance learning network for whole slide image classification with self-supervised contrastive learning. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 14318–14328 (2021).

[4] Shao Z., et al. TransMIL: transformer based correlated multiple instance learning for whole slide image classification. Advances in Neural Information Processing Systems 34, 2136–2147 (2021).

[5] Luo X., Xiang J., Ji Y., Li R. nnMIL: a generalizable multiple instance learning framework for computational pathology. Nature Biomedical Engineering (2026). https://doi.org/10.1038/s41551-026-01767-8.

[6] Isensee F., Jaeger P.F., Kohl S.A., Petersen J., Maier-Hein KH. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods 18, 203–211 (2021).

[7] Xu H., et al. A whole-slide foundation model for digital pathology from real-world data. Nature 630, 181–188 (2024).

[8] Saillard C., et al. H-optimus-0. https://github.com/bioptimus/releases/tree/main/models/h-optimus/v0 (2024).

[9] Chen R.J., et al. Towards a general-purpose foundation model for computational pathology. Nature Medicine 30, 850–862 (2024).

[10] Zimmermann E., et al. Virchow2: scaling self-supervised mixed magnification models in pathology. arXiv:2408.00738 (2024).

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

推荐直播

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

点击主页推荐活动

关注更多最新活动！