RAA-MIL：用于口腔细胞学分类的新型框架
图像与视频处理
2025-11-18 v1 计算机视觉与模式识别
摘要
细胞学是早期检测口腔鳞状细胞癌（OSCC）的有价值工具。然而，手动检查细胞学全切片图像（WSIs）速度慢、主观性强，且高度依赖专家病理医生。为此，我们引入了第一个面向口腔细胞学患者水平诊断的弱监督深度学习框架，利用新发布的口腔细胞学数据集[1]，该数据集来自印度十个医疗中心标注的细胞学WSIs。每个患者病例表示为一个细胞学补丁的包，并由内部专家病理医生分配诊断标签（健康、良性、口腔潜在恶性病变（OPMD）、OSCC）。这些患者水平的弱标签构成数据集的新扩展。我们评估了一个基线多任务学习（MIL）模型和一个建模每个切片内区域之间空间关系的区域关联注意力MIL（RAA-MIL）。RAA-MIL在未见的测试集上实现了72.7%的平均准确率和0.69的加权F1分数，超越了基线。该研究建立了口腔细胞学的第一个患者水平弱监督基准，向可靠的AI辅助数字病理迈出了重要一步。
引用
@article{arxiv.2511.12269,
title = {RAA-MIL: A Novel Framework for Classification of Oral Cytology},
author = {Rupam Mukherjee and Rajkumar Daniel and Soujanya Hazra and Shirin Dasgupta and Subhamoy Mandal},
journal= {arXiv preprint arXiv:2511.12269},
year = {2025}
}
备注
Under Review at IEEE ISBI 2026