STAMP：用于多中心组织病理图像中STAS诊断的多模式注意力感知的多实例学习
计算机视觉与模式识别
2025-08-15 v1 计算机与社会
摘要
通过空气空间扩散（STAS）是肺腺癌（LUAD）中一种新型侵入性图案，与肿瘤复发和生存率下降相关。然而，大规模STAS诊断在LUAD中仍然是一项工作量密集的任务，由于其独特的病理特征和形态特征，容易被忽视和误诊。因此，迫切需要利用深度学习模型进行STAS诊断。本研究最初在中南大学第二湘雅医院和第三湘雅医院收集了来自STAS患者的组织病理图像，并与TCGA-LUAD数据集合并。三位资深病理医生进行交叉验证标注，以构建STAS-SXY、STAS-TXY和STAS-TCGA数据集。随后，我们提出了一种名为STAMP的多模式注意力感知的多实例学习框架，用于分析和诊断多中心组织病理图像中STAS的存在。具体而言，双分支架构引导模型从不同的语义空间中学习STAS相关的病理特征。基于Transformer的实例编码和多模式注意力聚合模块动态选择与STAS病理学密切相关的区域，抑制无关噪声，增强全局表示的判别性。此外，相似性正则化约束防止分支间的特征冗余，从而提高整体诊断准确性。大量实验表明，STAMP在STAS-SXY、STAS-TXY和STAS-TCGA上的诊断结果具有竞争力，分别达到0.8058、0.8017和0.7928的AUC值，超过了临床水平。
引用
@article{arxiv.2508.10473,
title = {STAMP: Multi-pattern Attention-aware Multiple Instance Learning for STAS Diagnosis in Multi-center Histopathology Images},
author = {Liangrui Pan and xiaoyu Li and Guang Zhu and Guanting Li and Ruixin Wang and Jiadi Luo and Yaning Yang and Liang qingchun and Shaoliang Peng},
journal= {arXiv preprint arXiv:2508.10473},
year = {2025}
}
备注
Submit to AAAI2026