正半定潜在因子分组增强的聚类推理实例解缠学习用于全切片图像表示
计算机视觉与模式识别
2025-11-05 v2
摘要
多实例学习(MIL)已被广泛用于表示全切片病理图像。然而，实例之间的空间、语义和决策纠缠限制了其表示能力和可解释性。为应对这些挑战，我们提出了一种潜在因子分组增强的聚类推理实例解缠学习框架，用于全切片图像(WSI)的可解释表示，该框架分为三个阶段。首先，我们引入了一种新颖的正半定潜在因子分组，将实例映射到潜在子空间，有效缓解了MIL中的空间纠缠。为了减轻语义纠缠，我们通过聚类推理实例解缠，采用了实例概率反事实推断和优化。最后，我们通过实例效应重新加权，采用广义线性加权决策来解决决策纠缠。在多中心数据集上的大量实验表明，我们的模型优于所有最先进的模型。此外，它通过解缠表示和透明的决策过程，实现了与病理学家对齐的可解释性。
引用
@article{arxiv.2511.01304,
title = {Positive Semi-definite Latent Factor Grouping-Boosted Cluster-reasoning Instance Disentangled Learning for WSI Representation},
author = {Chentao Li and Behzad Bozorgtabar and Yifang Ping and Pan Huang and Jing Qin},
journal= {arXiv preprint arXiv:2511.01304},
year = {2025}
}
备注
Our code is available at https://github.com/Prince-Lee-PathAI/PG-CIDL