基于注意力的生成式潜在重放：用于 WSI 分析的持续学习方法
计算机视觉与模式识别
2025-05-14 v1 新兴技术
摘要
Whole slide image（WSI）分类已成为计算病理学中的强大工具，但受域迁移约束，例如由于不同器官、疾病或机构特定变异导致。为解决此挑战，我们提出一种基于注意力的生成式潜在重放持续学习框架（AGLR-CL），用于域递增 WSI 分类。在多个实例学习（MIL）设置下，方法采用高斯混合模型（GMM）合成 WSI 表示和补丁计数分布，保留过去域的知识而无需显式存储原始数据。我们提出一种基于注意力的过滤步骤，聚焦于最突出的补丁嵌入，确保高质量的合成样本。该隐私友好策略无需重放缓冲区，能够超越其他无缓冲区方法，同时与基于缓冲区的解决方案保持一致的性能。我们在临床相关的生物标志物检测和分子状态预测任务上验证了 AGLR-CL，使用多个具有不同中心、器官和患者队列的公开数据集。实验结果确认其能够保留先前知识并适应新域，为 WSI 分类中的域递增持续学习提供了有效、隐私保护的途径。
引用
@article{arxiv.2505.08524,
title = {Attention-based Generative Latent Replay: A Continual Learning Approach for WSI Analysis},
author = {Pratibha Kumari and Daniel Reisenbüchler and Afshin Bozorgpour and Nadine S. Schaadt and Friedrich Feuerhake and Dorit Merhof},
journal= {arXiv preprint arXiv:2505.08524},
year = {2025}
}