MacNet：用于可解释 whole slide 图像分类的端到端流形约束自适应聚类网络
计算机视觉与模式识别
2026-02-17 v1
摘要
whole slide 图像（WSIs）是病理诊断和亚型划分的黄金标准。当前主流的两步框架采用在无领域特定知识训练的离线特征编码器。其中，基于注意力的多实例学习（MIL）方法以结果为导向，解释性有限。聚类方法可以提供可解释的决策过程，但面临高维特征和语义模糊的质心问题。为此，我们提出了一个集成 Grassmann 重嵌入和流形自适应聚类的端到端 MIL 框架，其中流形几何结构促进稳健的聚类结果。此外，我们设计了一种先验知识引导的代理实例标记和聚合策略，以近似 patch 标签并聚焦于病理相关的肿瘤区域。在多中心 WSI 数据集上的实验表明：1）我们的聚类融合模型在分级准确性和解释性方面均表现出优越性能；2）端到端学习细化更好的特征表示且所需计算资源可接受。
引用
@article{arxiv.2602.14509,
title = {MacNet: An End-to-End Manifold-Constrained Adaptive Clustering Network for Interpretable Whole Slide Image Classification},
author = {Mingrui Ma and Chentao Li and Pan Huang and Jing Qin},
journal= {arXiv preprint arXiv:2602.14509},
year = {2026}
}
备注
Our code is available at https://github.com/Prince-Lee-PathAI/MacNet