基于区域图最优传输的混合专家全切片图像分类

多实例学习（MIL）是计算病理学中巨型全切片图像（WSI）分类的主导框架。然而，当前的 MIL 聚合器将所有实例路由通过共享路径，限制了其在每张切片中固有的病理异质性上的专科能力。混合专家（MoE）方法通过在专家子网络之间划分实例，提供了一种自然的解决方案；然而，受限于无约束的 softmax routing，可能导致高度不平衡的利用，其中一个或几个专家吸收大部分路由质量，使混合物回归到接近单路径解决方案。为解决这些限制，我们提出 ROAM（Region-graph OptimAl-transport Mixture-of-experts），一种具有空间感知的 MoE-MIL 聚合器，通过容量受限的熵最优传输将区域标记路由到专家池中，以此内在地促进专家利用的平衡。ROAM 作用于空间区域标记，通过压缩密集切片包作为空间分箱单元，以区域空间邻域对齐路由，引入两个关键机制：(i) 将区域到专家分配形式化为带显式每张切片容量边际的熵最优传输（Sinkhorn），在不引入额外负载平衡损失的情况下强制专家利用平衡；(ii) 图正则化的 Sinkhorn 迭代将路由分配扩散到空间区域图上，鼓励相邻区域一致地路由到同一专家。我们在四个 WSI 基准上进行评估，使用冻结的基础模型切片嵌入，ROAM 的表现与强大的 MIL 和 MoE 基线相当，在 NSCLC 一般化（TCGA-CPTAC）上达到外部 AUC 0.845 ± 0.019。