基于表型感知的多实例学习：通过语言提示和基因-表型关系引导
机器学习
2026-02-04 v1 人工智能
定量方法
摘要
深度学习在病理全切片图像（WSIs）的分析中得到了广泛研究。然而，大多数现有方法仅能通过后置方式定位模型显著区域来提供预测可解释性，无法提供更可靠和可核查的解释。本文提出表型感知多实例学习（PA-MIL），这是一种新的先验可解释框架，用于从WSIs中识别癌症相关表型并用于癌症亚型划分。为促进PA-MIL学习表型感知特征，我们：1）构建包含癌症相关表型及其关联基因的数据库；2）利用表型的形态描述作为语言提示来聚合表型相关特征；3）设计基于基因-表型关系的基因到表型神经网络（GP-NN），为PA-MIL提供多层次指导。在多个数据集上的实验结果表明，PA-MIL在实现与现有MIL方法相当的性能的同时，提供了 improved 的可解释性。PA-MIL利用表型显著性作为证据，并通过线性分类器实现与最先进方法相当的结果。此外，我们深入分析了基因-表型关系以及队列级和病例级的可解释性，展示了PA-MIL的可靠性和可核查性。
引用
@article{arxiv.2602.02558,
title = {PA-MIL: Phenotype-Aware Multiple Instance Learning Guided by Language Prompting and Genotype-to-Phenotype Relationships},
author = {Zekang Yang and Hong Liu and Xiangdong Wang},
journal= {arXiv preprint arXiv:2602.02558},
year = {2026}
}