面向病理图像弱监督分类的层级融合多实例学习方法

来源：电子与信息学报杂志2026年第3期北京时间：

作者：陈晓禾, 张甲昂, 李玲芝, 李桂秀, 欧紫蓉, 鲍月华, 刘欣欣, 虞秋辰, 马雨涵, 赵可喻, 白华

单位：1.宁波大学附属第一医院 宁波 3150102.中国石油大学(北京)人工智能学院 北京 1022493.北京机械工业自动化研究所有限公司 北京 100120

摘要：病理图像分类对于癌症诊断至关重要，但现有方法存在依赖随机采样、多层级信息利用不足等问题。为此，该文提出一种层级融合多实例学习方法。首先，对病理图像的不同层级进行切分并用ResNet-50提取特征；然后，针对伪包标签不准确及背景噪声问题，提出基于注意力评价函数的伪包划分方法，利用门控注意力对低分辨率特征进行重要性评估，依据得分将特征划分为低分辨率伪包，并通过索引映射得到对应高分辨率伪包；最后，针对多层级信息利用不足的问题设计两阶段分类模型，第1阶段对低分辨率伪包进行初步分类，并依据预测置信度筛选出高判别性的关键区域及其对应的高分辨率特征；第2阶段通过交叉注意力机制，将筛选出的低分辨率特征与对应的高分辨率特征进行深度融合，随后将其与经过门控注意力聚合的高分辨率伪包特征进行拼接，以利用局部细节结合全局信息进行分析。在训练过程中，采用双分支交叉熵损失函数，联合优化低分辨率初步分类任务与高分辨率最终分类任务。实验使用了两个公开数据集Camelyon16, TCGA-LUNG及一个私有皮肤癌数据集NBU-Skin对模型进行测试，结果表明，该方法在多中心公开数据集和私有数据集上性能均优于CLAM, TransMIL等算法，其中在NBU-Skin数据集上5折交叉验证的平均准确率达到90.5%，平均AUC达到0.976。此外，该方法在跨病种、跨中心数据中表现稳定，为癌症病理的人工智能诊断提供了新的思路。

关键词：病理图像, 多实例学习, 深度学习, 人工智能

基金资助：宁波市重大研发计划项目(2024Z228)，浙江省健康重大科技规划项目(WKJ-ZJ-2411)，宁波市公共福利项目(2022S065)，宁波市医学重点扶植学科项目(2022-F23)