基于多实例学习的乳腺癌复发风险预测
计算机视觉与模式识别
2025-12-23 v1
摘要
预测乳腺癌复发风险是临床中的关键挑战。本研究探讨了计算病理学在基于常规髓氧-碘染色全切片组织图像（WSI）的深度学习方法中对患者进行风险分层的潜力。我们开发并比较了三种多实例学习（MIL）框架——CLAM-SB、ABMIL 和 ConvNeXt-MIL-XGBoost——在一组 210 例患者病例上的实验。模型旨在预测 5 年复发风险，将其分为低、中、高三个层级，标签由 21 基因复发评分确定。在 5 折交叉验证中，修改版 CLAM-SB 模型表现最佳，平均受试者工作曲线下面积（AUC）为 0.836，分类准确率为 76.2%。我们的发现表明，基于标准组织学切片的深度学习方法可实现自动化、与基因组学相关的风险分层，为快速经济的临床决策支持提供了有前景的路径。
引用
@article{arxiv.2512.18734,
title = {Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning},
author = {Jinqiu Chen and Huyan Xu},
journal= {arXiv preprint arXiv:2512.18734},
year = {2025}
}