AutoMIL 开源框架发布：自动构建全切片图像分类流水线
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
全切片图像分类通常采用多实例学习：一张切片被切成许多小块，标签只给到切片级别。搭建这类流水线涉及大量相互牵制的设计选择，既需要病理领域知识，也需要机器学习经验。AutoMIL 的作者把自动机器学习的思路引入这一环节，让预处理、训练与评估等关键步骤由框架自动完成，使用者不必逐项手工配置，就能得到一个可运行的分类流程。
基准测试结果
在默认设置下，AutoMIL 在三个数据集上给出 ROC-AUC：UBC-OCEAN 为 0.94，PCam 为 0.99，TCGA-NSCLC 的一个子集为 0.93 至 0.96。作者将这些数值与相关工作中的专用流水线对比，认为处于相当水平。换言之，不做针对性调参的自动化流程，也能接近人工设计的方案，这为缺少流水线工程经验的使用者提供了一个可参照的起点。
集成策略的适用条件
论文还考察了集成的作用：性能提升主要出现在数据不平衡的情形，在类别分布较均衡的数据上收益有限。作者据此指出，自动化流水线不能一套配置用到底，需要根据数据集本身的特性做适配。这一观察也解释了为何框架强调自动化而非固定模板：不同切片数据集在类别比例、样本量上差异明显，流程需要随之调整。
定位与获取方式
AutoMIL 以开源框架形式发布，目标是为全切片图像分类提供无需手工配置流水线的易用基线。论文归入计算机视觉与人工智能分类，编号 arXiv:2610.32452，提交时间为 2026 年 10 月 23 日，全文与许可信息可通过 arXiv 页面获取。对于希望快速建立病理切片分类基线、再在此基础上做针对性改进的团队，这是一个可直接复用的起点。
为什么值得看
病理全切片分类的流水线搭建门槛高，该框架给出免手工配置的开源基线，并附多数据集 ROC-AUC 对照。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。