跨尺度思考：基于自适应连续推理加速巨像病理图像分析
计算机视觉与模式识别
2026-05-26 v2
摘要
传统的全切片图像（WSI）分析方法通常依赖于多实例学习（MIL）范式，在高放大率下提取病灶级别特征并聚合以进行切片级别预测。然而，此类穷举的病灶级处理计算成本高昂，严重限制了 WSI 分析的效率和可扩展性。为此，本文提出一种病理导向连续思考模型（PathCTM），实现巨像 WSI 的令牌高效尺度空间连续推理。PathCTM 将诊断推断形式化为动态的顺序信息探索过程。它逐步过渡从低放大率的全局检查到高放大率的局部检查，并在收集足够证据以有效界定决策不确定性时自适应终止推断。具体而言，采用条件计算实现动态尺度切换，结合注意力引导的区域修剪和置信度感知的提前停止。广泛的实验表明，与标准基于 MIL 的方法相比，PathCTM 将所需图像病灶数量减少 95.95%，推理时间缩短约 95.62%，而在不降低 AUC 的情况下保持性能。代码已公开于 https://github.com/JSGe-AI/PathCTM。
引用
@article{arxiv.2605.19491,
title = {Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning},
author = {Jiusong Ge and Yingkang Zhan and Wenjie Zhao and Di Zhang and Ke Wang and Jiashuai Liu and Chunze Yang and Chengzu Li and Jian Zhang and Yuxin Dong and Ni Zhang and Qidong Liu and Mireia Crispin-Ortuzar and Huazhu Fu and Chen Li and Zeyu Gao},
journal= {arXiv preprint arXiv:2605.19491},
year = {2026}
}
备注
Accepted to ICML 2026