面向全切片图像分类的具有队列感知注意力与对抗互信息最小化的多队列框架

全切片图像（WSI）对于包括组织病理学分析在内的各种临床应用至关重要。然而，当前该领域的深度学习方法主要集中于单个肿瘤类型，限制了模型的泛化能力和可扩展性。这种相对狭窄的关注点最终源于组织病理学的内在异质性以及不同肿瘤多样的形态学和分子特征。为此，我们提出了一种用于多队列WSI分析的新方法，旨在利用不同肿瘤类型的多样性。我们引入了一个队列感知注意力模块，能够捕获共享的和肿瘤特异性的病理模式，从而增强跨肿瘤泛化能力。此外，我们构建了一种对抗性队列正则化机制，通过互信息最小化来减少队列特异性偏差。同时，我们开发了一种分层样本平衡策略，以缓解队列不平衡并促进无偏学习。这些组件共同构成了一个用于无偏多队列WSI分析的统一框架。在一个独特构建的多癌症数据集上进行的大量实验表明，该方法在泛化能力上有显著提升，为跨多种癌症类型的WSI分类提供了一种可扩展的解决方案。我们的实验代码已公开在<link>。