利用特征低维流形进行少样本全切片图像分类
计算机视觉与模式识别
2026-03-03 v2 人工智能
摘要
少样本全切片图像（WSI）分类严重受到过拟合的限制。我们认为，这不仅仅是数据稀缺问题，而是一个根本的几何问题。基于流形假设，我们的分析表明，来自病理学基础模型的特征 exhibit 出易受下游模型扰动的低维流形几何。这一洞见揭示了下游多个实例学习模型的一个关键潜在问题：线性层是几何不可感知的，且我们所证明的经验结果表明，它们会扭曲特征的流形几何。为解决这一问题，我们提出了流形残差（MR）模块，是一个即插即用的模块，显式地感知几何。MR 模块将线性层重新表述为残差学习，并将其解耦为两个路径：（1）一个固定的随机矩阵作为几何锚，大致保持拓扑的同时也充当频谱整形器以锐化特征谱；（2）一个可训练的低秩残差路径，充当任务特定的残差学习器，其结构瓶颈显式地镜像特征的低有效秩。这种解耦施加了结构化的归纳偏置，并将学习简化为更简单的残差拟合任务。通过大量实验，我们展示了该方法以显著更少的参数实现了最先进的结果，为少样本 WSI 分类提供了新的范式。代码可在 https://github.com/BearCleverProud/MR-Block 查阅。
引用
@article{arxiv.2505.15504,
title = {Exploiting Low-Dimensional Manifold of Features for Few-Shot Whole Slide Image Classification},
author = {Conghao Xiong and Zhengrui Guo and Zhe Xu and Yifei Zhang and Raymond Kai-Yu Tong and Si Yong Yeo and Hao Chen and Joseph J. Y. Sung and Irwin King},
journal= {arXiv preprint arXiv:2505.15504},
year = {2026}
}
备注
Accepted to ICLR 2026