基于部分亚样本多实例学习的全切片图像乳腺癌转移瘤检测
统计方法学
2026-04-21 v1 应用统计
摘要
乳腺癌是全球女性最常见的癌症。组织病理图像分析是癌症诊断的黄金标准。就此而言，全切片成像（WSI）作为数字病理学的革命性技术，允许进行超高分辨率组织分析。尽管其前景广阔，WSI 分析面临巨大的数据规模和组织异质性带来的计算挑战。为此，我们提出基于高斯混合的多实例学习（MIL）框架，用于部分亚样本的WSI分析。我们的 方法将WSI 模式为一个实例包（即随机裁剪的子图像），利用基于包的最大似然估计（BMLE）预测转移瘤。进一步，我们引入基于亚样本的最大似然估计（SMLE），通过选择性标记子集的实例来细化预测。对乳腺癌转移瘤预测的广泛评估表明，BMLE 超越了当前的SOTA 方法，while SMLE 在包和实例水平上进一步提高了预测准确率。我们发现该方法对各种可能的模型误规格都相当稳健。理论分析和模拟研究验证了我们方法的性能和稳健性。
引用
@article{arxiv.2604.17254,
title = {Detecting Breast Carcinoma Metastasis on Whole-Slide Images by Partially Subsampled Multiple Instance Learning},
author = {Baichen Yu and Xuetong Li and Jing Zhou and Hansheng Wang},
journal= {arXiv preprint arXiv:2604.17254},
year = {2026}
}