HMIL：用于细粒度全切片图像分类的分层多实例学习

全切片图像（WSI）的细粒度分类在精准肿瘤学中至关重要，能够实现精确的癌症诊断和个性化治疗策略。该任务的核心在于区分同一大类千兆像素分辨率图像内部细微的形态学变化，这构成了重大挑战。虽然多实例学习（MIL）范式缓解了WSI的计算负担，但现有MIL方法往往忽视层级标签相关性，将细粒度分类视为平坦的多类分类任务。为克服这些局限，我们提出了一种新颖的分层多实例学习（HMIL）框架。通过促进不同层级标签在实例和包层面固有关系的层级对齐，我们的方法提供了更结构化和信息丰富的学习过程。具体而言，HMIL融入了类别级注意力机制，在实例和包两个层面对齐层级信息。此外，我们引入了有监督对比学习以增强细粒度分类的判别能力，并提出基于课程的动态加权模块以在训练中自适应平衡层级特征。在我们的大规模细胞学宫颈癌（CCC）数据集和两个公开组织学数据集BRACS及PANDA上的大量实验，证明了我们的HMIL框架在类别级和整体性能上达到最先进水平。我们的源代码可在https://github.com/ChengJin-git/HMIL获取。