基于基础模型的胃粘膜炎症多中心 Nancy 指数弱监督评分
计算机视觉与模式识别
2026-04-28 v1
摘要
胃粘膜炎症活性的组织学评估是临床试验和常规护理中的重要终点，但手动打分（如使用 Nancy 组织学指数）耗时且受观察者变异性影响。虽然计算病理方法可以自动化评分，但许多方法依赖稠密的区域级标注，在异质性强、跨中心的队列中获取成本较高。我们提出一种基于弱监督的多实例学习（MIL）方法，用于 whole-slide 图像，利用基础模型从病例级和切片级 Nancy 指数标签中进行学习。该方法针对临床相关终点（包括中性粒细胞活性和推导的 Nancy 低/高分组），实现完整的五档 Nancy 指数预测。在来自三家医院（2019-2025 年）的 H&E 染色结肠活检多中心数据集上，我们评估了多种基础模型编码器和聚合策略。我们发现基础模型的选择和分辨率对性能影响显著，以 Virchow2 提供最一致的提升，简单集成规则在与分层门控基线相比对五档 Nancy 指数预测效果有所提升。总体而言，我们的结果表明，现代基础模型表示的弱监督 MIL 可在现实的多中心环境中提供稳健、可解释的 UC 组织学活性评估。
引用
@article{arxiv.2604.23706,
title = {Weakly Supervised Multicenter Nancy Index Scoring in Ulcerative Colitis Using Foundation Models},
author = {Adam Kukučka and Ondřej Fabián and Vít Musil and Tomáš Brázdil},
journal= {arXiv preprint arXiv:2604.23706},
year = {2026}
}