PC-MIL：在整块切片学习中解耦特征分辨率与监督规模
计算机视觉与模式识别
2026-04-15 v1
摘要
计算病理学中的整块切片（Whole-Slide Image, WSI）分类通常形式化为基于单个全局袋表示的切片级多实例学习（MIL）。然而，切片级 MIL 本质上是受限的：仅优化全局标签会鼓励模型在不学习解剖学有意义局部化的情况下聚合特征。这导致监督规模与临床推理规模之间存在不匹配。临床医生会评估肿瘤负荷、局灶和结构模式，这些都在毫米尺度的区域内进行，而标准 MIL 仅训练用于预测“切片中某处存在癌症”。结果是，模型的归纳偏见实际上消除了解剖结构。我们提出渐进式上下文 MIL（PC-MIL），将监督范围的空间范围作为一等设计维度。我们不改变变焦、切片大小或引入像素级分割，而是将特征分辨率与监督规模解耦。使用固定 20x 特征，我们在毫米单位上变化 MIL 包的范围，并在以临床动机为 2mm 比例尺锚定监督，以保持可比的肿瘤负荷，避免将尺度与病灶密度混淆。PC-MIL 在受控比例下逐渐混合切片级和区域级监督，实现明确的训练-测试上下文分析。在 1,476 例来自五个公开数据集的前列腺 WSIs 上进行二分类癌症检测，我们证明解剖上下文是 MIL 中的一个独立于特征分辨率的概括轴：适度的区域监督可提高跨上下文性能，平衡的多上下文训练在不牺牲全局性能的前提下，稳定了切片和区域评估中的准确率。这些结果表明监督范围塑造了 MIL 的归纳偏见，并支持解剖学导向的 WSIs 概括。
引用
@article{arxiv.2604.12100,
title = {PC-MIL: Decoupling Feature Resolution from Supervision Scale in Whole-Slide Learning},
author = {Syed Fahim Ahmed and Gnanesh Rasineni and Florian Koehler and Abu Zahid Bin Aziz and Mei Wang and Attila Gyulassy and Brian Summa and J. Quincy Brown and Valerio Pascucci and Shireen Y. Elhabian},
journal= {arXiv preprint arXiv:2604.12100},
year = {2026}
}
备注
11 pages, 2 figures, 2 tables. Under review at MICCAI 2026