基于自适应原型的前列腺癌可解释分级
计算机视觉与模式识别
2026-03-06 v1
摘要
前列腺癌是男性最常诊断的恶性肿瘤之一，日益增长的活检需求给病理医生的工作负担带来严峻挑战。分级工作繁琐且主观，促使开发自动化系统。尽管深度学习在性能方面取得了进展，但其有限的可解释性在医疗等高风险应用中限制了广泛采用。现有前列腺癌分类器的可解释性技术提供粗糙的解释，却未揭示为何突出区域重要。在此场景下，我们提出一种新颖的基于原型的弱监督框架，用于从组织病理图像中实现前列腺癌的可解释分级。由于其显式的推理过程类似于病理医生通过与临床验证实例比较来比较可疑区域，这些网络更可信。该网络首先在patch级别进行预训练，以学习与每个分级相关的稳健原型特征。为适应前列腺癌分级的弱监督设置，该网络使用新的原型感知损失函数进行微调。最后，引入一种基于注意力的动态修剪机制，以处理样本间的异质性，同时 selectively 强调相关原型以获得最佳性能。在PANDA和SICAP数据集上的广泛验证确认，该框架可作为病理医生日常诊断工作流程中的可靠辅助工具。
引用
@article{arxiv.2603.04947,
title = {Adaptive Prototype-based Interpretable Grading of Prostate Cancer},
author = {Riddhasree Bhattacharyya and Pallabi Dutta and Sushmita Mitra},
journal= {arXiv preprint arXiv:2603.04947},
year = {2026}
}