AINet：用于Whole Slide Image区域异质性的锚定实例学习
图像与视频处理
2026-02-25 v1 人工智能
摘要
近期进展显示，多实例学习（MIL）在Whole Slide Image（WSI）分析中取得了显著成绩。然而，肿瘤内稀疏性及其形态多样性导致区域之间存在显著异质性，这对聚合高质量且具辨识力的表征提出了重大挑战。为此，我们提出一种新概念——锚定实例（Anchor Instance, AI），即在局部（区域）层面具有代表性且在全局（袋）层面具辨识力的实例子集。这些 AI 充当语义参考，以引导跨区域的相互作用，纠正非辨识性模式，同时保持区域多样性。具体而言，我们提出双层锚定矿业（Dual-level Anchor Mining, DAM）模块以\textbf{选择} AI，从海量实例中提取每个区域中最具信息量的 AI，其相似性基于局部与全局嵌入。此外，为确保完整性与多样性，我们设计锚定引导的区域纠正（Anchor-guided Region Correction, ARC）模块，以探索所有区域的互补信息\textbf{纠正}每个区域的表征。基于 DAM 与 ARC，我们构建了一个简洁而有效的框架 AINet，仅需极少的 FLOPs 与参数即可超越前沿方法。值得注意的是，DAM 与 ARC 模块化设计，可无缝集成到现有 MIL 框架中，稳定提升其性能。
引用
@article{arxiv.2602.20187,
title = {AINet: Anchor Instances Learning for Regional Heterogeneity in Whole Slide Image},
author = {Tingting Zheng and Hongxun Yao and Kui Jiang and Sicheng Zhao and Yi Xiao},
journal= {arXiv preprint arXiv:2602.20187},
year = {2026}
}