GMAT：基于视觉-语言模型用于Whole Slide Image分类的Grounded Multi-Agent临床描述生成

多实例学习（MIL）是Whole Slide Image（WSI）分类的领先方法，使对Gigapixel尺度病理切片的高效分析成为可能。最近的研究引入了视觉-语言模型（VLM）到MIL流程中，通过基于文本的类描述而非简单类名来融合医学知识。然而，当这些方法依赖大型语言模型（LLM）生成临床描述或使用固定长度的提示来表示复杂病理概念时，VLM的有限token容量往往限制了编码类信息的表达性和丰富性。此外，仅由LLM生成的描述可能缺乏领域对齐和细粒度医学特异性，导致与视觉特征的对齐不optimal。为此，我们提出一种基于VLM-MIL的框架，包含两个关键贡献：（1）一种利用精选病理教科书和智能体专业领域（如形态学、空间背景）生成准确且多样化临床描述的Grounded Multi-Agent描述生成系统；（2）一种使用描述列表而非单一提示的文本编码策略，捕获细粒度和互补临床信号，实现与视觉特征的更好对齐。集成到VLM-MIL管道中，我们的方法在单提示类基准上表现出 improved performance，并在肾癌和肺癌数据集上实现了与最先进模型相当的结果。