基于注意力机制的 lung adenocarcinoma 全切片成长模式预测的多实例学习方法
计算机视觉与模式识别
2026-04-24 v1 人工智能
摘要
肺腺癌（LUAD）分级取决于准确识别成长模式，这些模式是预后指标，可影响治疗决策。常规的深度学习方法用于确定 predominant 成长模式依赖于 patch 级别的分类或分割，需大量标注。本研究提出了一种基于注意力机制的多实例学习（ABMIL）框架，用于在全切片水平预测 LUAD predominant 成长模式，以减少标注负担。我们的方法将预训练的病理基础模型作为 patch 编码器，冻结或在标注 patch 上微调，以提取能区分的特征，通过注意力机制进行聚合。实验表明，微调编码器可提升性能，Prov-GigaPath 在 ABMIL 下实现最高的一致性（ = 0.699）。与简单 patch 聚合基线方法相比，ABMIL 通过利用切片级别的监督和空间注意力获得更稳健的预测。未来工作将将该框架扩展到估计成长模式的完整分布并在外部队列中验证性能。
引用
@article{arxiv.2604.21530,
title = {Attention-based multiple instance learning for predominant growth pattern prediction in lung adenocarcinoma wsi using foundation models},
author = {Laura Valeria Perez-Herrera and M. J. Garcia-Gonzalez and Karen Lopez-Linares},
journal= {arXiv preprint arXiv:2604.21530},
year = {2026}
}