下一层：通过结构保持与注意力引导的学习增强基石模型，以局部 patches 到全局语境感知在计算病理学中的应用
定量方法
2025-08-28 v1 人工智能
机器学习
摘要
基石模型最近在计算病理学中作为强大的特征提取器出现，但它们通常缺乏利用组织全球空间结构以及诊断相关区域之间局部上下文关系的机制——这些是理解肿瘤微环境的关键要素。多实例学习 (MIL) 仍是基石模型之后的 essential 步骤，旨在设计框架将 patch 级别的特征聚合到 slide 级别的预测中。我们提出了 EAGLE-Net，一种结构保持、注意力引导的 MIL 架构，用于增强预测和可解释性。EAGLE-Net 集成了多尺度绝对空间编码以捕获全局组织结构、基于 top-K 邻域感知的损失以聚焦局部微环境，并通过背景抑制损失最小化误报。我们在大型 pan-癌数据集上对 EAGLE-Net 进行基准测试，包括三种癌症类型进行分类（10,260 个 slide）和七种癌症类型进行生存预测（4,172 个 slide），使用三种不同的组织学基石背板（REMEDIES、Uni-V1、Uni2-h）。在所有任务中，EAGLE-Net 实现了最高可达 3% 的分类准确率提升，并在 6 个中的 7 个癌症类型中取得顶级 concordance 指数，生成平滑、在生物学上连贯的注意力图谱，与专家注释一致，并突出显示侵入前沿、坏死和免疫浸润。这些结果将 EAGLE-Net 定位为一种通用、可解释的框架，可补充基石模型，实现改进的生物标志物发现、预后模型构建和临床决策支持。
引用
@article{arxiv.2508.19914,
title = {The Next Layer: Augmenting Foundation Models with Structure-Preserving and Attention-Guided Learning for Local Patches to Global Context Awareness in Computational Pathology},
author = {Muhammad Waqas and Rukhmini Bandyopadhyay and Eman Showkatian and Amgad Muneer and Anas Zafar and Frank Rojas Alvarez and Maricel Corredor Marin and Wentao Li and David Jaffray and Cara Haymaker and John Heymach and Natalie I Vokes and Luisa Maren Solis Soto and Jianjun Zhang and Jia Wu},
journal= {arXiv preprint arXiv:2508.19914},
year = {2025}
}
备注
43 pages, 7 main Figures, 8 Extended Data Figures