利用整块滑片难度在多实例学习中提高前列腺癌分层诊断
计算机视觉与模式识别
2026-03-11 v1
摘要
多实例学习（MIL）已在组织病理学中广泛应用于对 Whole Slide Images（WSIs）进行slide-level诊断分类。虽然ground truth由专家病理学家确立，但滑片对非专家而言可能难以诊断，导致注释者之间存在分歧。本文引入整块滑片难度（WSD）的概念，基于专家和非专家病理学家之间的意见不一致。我们提出两种不同的方法来利用WSD，一种是多任务方法，另一种是加权分类损失方法，并将其应用于前列腺癌滑片的Gleason分级。结果表明，在不同的特征编码器和MIL方法上，集成WSD于训练中一致改善了分类性能，尤其在较高Gleason分级（即更差诊断）方面效果尤为显著。
关键词
引用
@article{arxiv.2603.09953,
title = {Leveraging whole slide difficulty in Multiple Instance Learning to improve prostate cancer grading},
author = {Marie Arrivat and Rémy Peyret and Elsa Angelini and Pietro Gori},
journal= {arXiv preprint arXiv:2603.09953},
year = {2026}
}
备注
ISBI 2026