MB-DSMIL-CL-PL：基于对比学习与原型学习的冻结特征下弱监督卵巢癌亚型分类与定位
计算机视觉与模式识别
2026-02-18 v1 人工智能
摘要
脑膜肿瘤亚型的研究对于制定有效的治疗策略具有重要价值。然而，日益增加的诊断工作量给UK病理部门带来了挑战，推动了AI方法的兴起。虽然传统方法依赖于预计算的冻结图像特征，但近期进展转向端到端特征提取，在准确率上取得改进，但以牺牲显著的可扩展性和耗时的实验为代价。本文提出了一种在冻结特征基础上通过特征空间增强实现的对比学习和原型学习方法，用于卵巢癌组织病理图像的亚型分类与定位。与DSMIL相比，我们的方法在实例级和片级分类F1分数分别提高了70.4%和15.3%，在实例定位和片级分类方面的AUC分别提升了16.9%和2.3%，同时保持了冻结patch特征的使用。
引用
@article{arxiv.2602.15138,
title = {MB-DSMIL-CL-PL: Scalable Weakly Supervised Ovarian Cancer Subtype Classification and Localisation Using Contrastive and Prototype Learning with Frozen Patch Features},
author = {Marcus Jenkins and Jasenka Mazibrada and Bogdan Leahu and Michal Mackiewicz},
journal= {arXiv preprint arXiv:2602.15138},
year = {2026}
}