论文复述：计算病理学中的数据挑战——基于包装的多实例学习训练框架
计算机视觉与模式识别
2025-12-04 v2
摘要
计算病理学（CPath）将病理切片数字化为全切片图像（WSI），从而实现对癌症诊断和预后等关键医疗任务的分析。然而，WSI 具有极长的序列长度（最长可达 20 万），且长度差异大（从 200 到 20 万不等），且监督信息有限。这种序列长度的极端差异导致数据异质性和冗余性高。常规方法往往在保留此类异质性的同时，在训练效率和优化方面作出妥协。在充分解决这些挑战方面，我们提出了一种基于包装的多实例学习（MIL）框架。该框架将多个抽样的、可变长特征序列打包为固定长度序列，实现批量训练，同时保留数据异质性。此外，我们引入一个残差分支，将多个切片中被丢弃的特征组合成一个超切片，并使用量身定制的标签进行训练。它提供了多切片监督，同时减轻了抽样导致的特征损失。同时，我们引入一个基于注意力的下采样器，用于压缩两个分支中的特征，以减少冗余性。通过 alleviating 这些挑战，我们的方法在 PANDA(UNI) 数据集上实现了最高可达 8% 的准确率提升，而仅使用 12% 的训练时间。广泛的实验表明，在基础模型时代，聚焦 CPath 中的数据挑战具有重要潜力。代码地址为 https://github.com/FangHeng/PackMIL
引用
@article{arxiv.2509.20923,
title = {Revisiting Data Challenges of Computational Pathology: A Pack-based Multiple Instance Learning Training Framework},
author = {Wenhao Tang and Heng Fang and Ge Wu and Xiang Li and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2509.20923},
year = {2025}
}
备注
24 pages, 6 figures