MOC：面向少样本全切片图像分类的元优化分类器
计算机视觉与模式识别
2025-08-14 v1
摘要
最近的肿瘤病理视觉语言基础模型（VLFMs）的进展在通过零样适应方法解决全切片图像（WSI）分类的数据稀缺问题方面展现了前景。然而，这些方法仍被常规在大数据集上训练的多实例学习（MIL）方法所超越，这激励了通过少样本学习范式来增强 VLFM 基于 WSI 的分类。虽然现有的少样本方法在有限标注下提高了诊断准确性，但其对常规分类器设计的依赖引入了对数据稀缺的关键漏洞。为此，我们提出了元优化分类器（MOC），其包含两个核心组件：（1）一个自动从混合候选分类器中优化分类器配置的元学习器，（2） housing 多样化候选分类器的数据库，以实现整体病理解释。大量实验表明，MOC 在多个少样本基准上超越了现有方法。值得注意的是，在 TCGA-NSCLC 基准上，MOC 相对于最先进的少样本 VLFM 方法提高了 10.4% 的 AUC，在 1-shot 条件下提升幅度可达 26.25%，为诊断训练数据严重受限的临床部署提供了关键性的突破。代码已公开 https://github.com/xmed-lab/MOC。
引用
@article{arxiv.2508.09967,
title = {MOC: Meta-Optimized Classifier for Few-Shot Whole Slide Image Classification},
author = {Tianqi Xiang and Yi Li and Qixiang Zhang and Xiaomeng Li},
journal= {arXiv preprint arXiv:2508.09967},
year = {2025}
}
备注
Accepted in MICCAI 2025