A position-aware sets based weakly supervised framework for whole-slide subtype classification

Jiuman Song

doi:10.1016/j.engappai.2025.111998

A position-aware sets based weakly supervised framework for whole-slide subtype classification

2025-08-26

0

PRE

AI

DOI：10.1016/j.engappai.2025.111998

原文链接

原文求助

摘要

En 中文

鉴别癌症亚型对于个性化治疗和准确预后至关重要，因为不同亚型对疗法的敏感性存在差异。然而，在癌症亚型分类任务中，正常切片通常作为负样本稀缺或缺失，而亚型全切片图像（WSIs）常包含大量未标注的正常组织区域。这些区域在特征融合和亚型分类过程中引入显著噪声，导致现有弱监督方法性能下降。本文提出了一种基于位置感知集的弱监督学习框架（PSWS），用于利用WSIs进行癌症亚型分类，采用两阶段结构以提升模型效率。具体而言，它首先提出了一种新颖的图像块组织方法，不同于传统多重实例学习（MIL）的“包”概念，称为位置感知集，作为学习的基本单元。然后，PSWS基于增强的组织学特征和互图像块关系自动选择亚型特异性特征，缓解未标注负区域的不利影响。在实验中，通过公开数据集和内部构建数据集上的亚型分类任务，验证了PSWS相较于代表性MIL的优越性能。此外，位置感知集的类别概率和注意力区域可视化展示了其事后可解释性，有助于病理学家定位可疑区域。

Keyword:

cancer subtype classification

weakly supervised learning

whole-slide images

position-aware sets

histological features

A position-aware sets based weakly supervised framework for whole-slide subtype classification

摘要

期刊

机构

引用论文