基于预计算特征的多实例学习在乳腺钼诊断中的应用
计算机视觉与模式识别
2026-03-11 v1 人工智能
摘要
现代基础模型提供了高度表达的视觉表征，但由于标注有限和弱监督，难以适应高分辨率医学影像。乳腺成像尤其以大图像、可变的多视图研究和主要为乳房水平标签为特征，使端到端微调计算成本高昂且往往不切实际。我们提出一种基于预计算特征的多实例学习方法（MIL-PF），这是一种可扩展的框架，将冻结的基础编码器与轻量级 MIL 头结合，用于乳腺钼诊断。通过预计算语义表征并仅训练小型任务特定聚合模块（40k 参数），该方法在无需重新训练大型主干网络的情况下实现了高效的实验与适应。该体系结构通过注意力机制建模全局组织上下文和稀疏的局部病灶信号。MIL-PF 在临床规模下实现了状态最佳的分类性能，同时大幅降低了训练复杂度。我们发布代码以实现完全可复现。
引用
@article{arxiv.2603.09374,
title = {MIL-PF: Multiple Instance Learning on Precomputed Features for Mammography Classification},
author = {Nikola Jovišić and Milica Škipina and Nicola Dall'Asen and Dubravko Ćulibrk},
journal= {arXiv preprint arXiv:2603.09374},
year = {2026}
}
备注
10 pages, 2 figures, 4 tables. Code will be released