针对计算细胞学中稀有恶性细胞检测的单类表示学习
计算机视觉与模式识别
2026-04-13 v2 机器学习
摘要
在计算细胞学中，检测全片图像上的恶性细胞困难，因为恶性细胞形态多样且在庞大的正常细胞背景中极其稀少。由于大类不平衡和有限的标注，准确检测这些极其稀有的恶性细胞仍具有挑战性。传统的弱监督方法，如多实例学习 (MIL)，常常在实例级别上难以泛化，尤其当恶性细胞比例（见证率）极低时。本研究探索了单类表示学习技术用于检测细胞学中的恶性细胞，适用于低见证率情形。这些方法仅在 slide-negative 补丁上进行训练，无需任何实例级监督。具体而言，我们评估了 DSVDD 和 DROC 两种 OCC 方法，并将其与 FS-SIL、WS-SIL 和最新的 ItS2CLR 方法进行比较。单类方法学习正常性的紧凑表示，并在测试时检测偏差。TCIA 上公开的骨髓细胞形态学数据集和我们内部的口腔癌细胞学数据集上的实验表明，DSVDD 在实例级别异常排序中实现了最佳性能，尤其在极低见证率情形（）下，某些情况下甚至优于完全监督学习，而后者在全片细胞学中因不可能进行详尽的实例级标注而通常不可行。DROC 在极端稀有情况下的表现也十分有竞争力，受益于分布增强对比学习。这些发现凸显了在稀有性极端的情况下，单类表示学习作为 MIL 的稳健且可解释的优势选择。
引用
@article{arxiv.2604.07722,
title = {Needle in a Haystack: One-Class Representation Learning for Detecting Rare Malignant Cells in Computational Cytology},
author = {Swarnadip Chatterjee and Vladimir Basic and Arrigo Capitanio and Orcun Goksel and Joakim Lindblad},
journal= {arXiv preprint arXiv:2604.07722},
year = {2026}
}
备注
15 pages, 7 figures