RACR-MIL：基于秩感知上下文推理利用全切片图像弱监督分级鳞状细胞癌
计算机视觉与模式识别
2025-07-22 v2 机器学习
摘要
鳞状细胞癌（SCC）是最常见的癌症亚型，发病率上升并对癌症相关死亡率有显著影响。利用全切片图像进行 SCC 分级因缺乏可靠方案及组织异质性大而天然困难。我们提出 RACR-MIL，首个跨多个解剖部位（皮肤、头颈、肺）实现鲁棒泛化的弱监督 SCC 分级方法。RACR-MIL 是一个基于注意力的多示例学习框架，通过两项关键创新增强与分级相关的上下文表示学习并应对肿瘤异质性：（1）一种混合 WSI 图，捕捉局部组织上下文与肿瘤区域间非局部表型依赖；（2）注意力机制中的秩排序约束，持续优先更高分级肿瘤区域，与病理医生诊断流程一致。我们的模型在多个 SCC 数据集上取得最先进性能，分级准确率提高 3–9%，对类不平衡具鲁棒性，肿瘤定位提升达 16%。在试点研究中，病理医生报告 RACR-MIL 在 60% 病例中提升分级效率，凸显其作为临床可行癌症诊断与分级辅助的潜力。
引用
@article{arxiv.2308.15618,
title = {RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images},
author = {Anirudh Choudhary and Mosbah Aouad and Krishnakant Saboo and Angelina Hwang and Jacob Kechter and Blake Bordeaux and Puneet Bhullar and David DiCaudo and Steven Nelson and Nneka Comfere and Emma Johnson and Olayemi Sokumbi and Jason Sluzevich and Leah Swanson and Dennis Murphree and Aaron Mangold and Ravishankar Iyer},
journal= {arXiv preprint arXiv:2308.15618},
year = {2025}
}
备注
17 pages main text, 2 page references, 2 page appendix; under submission