基于自适应梯度手术的斜率标签感知多任务预训练：计算细胞学中的SLAM-AGS
计算机视觉与模式识别
2026-01-15 v1
摘要
计算细胞学面临两个主要挑战：i）实例级标签不可靠且难以获取，ii）见证率极低。我们提出SLAM-AGS，一个基于滑动标签感知的多任务预训练框架，联合优化i）在滑块负面补丁上的弱监督相似目标，ii）在滑块正面补丁上的自监督对比目标，实现下游任务的更好性能。为稳定学习，我们应用自适应梯度手术来处理冲突任务梯度并防止模型崩溃。我们将预训练编码器集成到基于注意力的多实例学习聚合器中，用于袋级预测和注意力引导检索袋中最异常的实例。 在公开可用的骨髓细胞学数据集上，模拟的见证率从10%下降到0.5%，SLAM-AGS在袋级F1得分和Top 400正细胞检索方面优于其他预训练方法，尤其在低见证率时收益最大，表明解决梯度干扰可实现稳定预训练并提升下游任务性能。为促进可重复性，我们分享完整的实现和评估框架作为开源项目：https://github.com/Ace95/SLAM-AGS。
引用
@article{arxiv.2511.14639,
title = {SLAM-AGS: Slide-Label Aware Multi-Task Pretraining Using Adaptive Gradient Surgery in Computational Cytology},
author = {Marco Acerbis and Swarnadip Chatterjee and Christophe Avenel and Joakim Lindblad},
journal= {arXiv preprint arXiv:2511.14639},
year = {2026}
}
备注
5 pages, 2 figures, Submitted to ISBI2026