Aggregate dynamic graph representation with attention-aware multiple instance learning for whole slide image analysis

doi:10.1016/j.asoc.2026.116382

Aggregate dynamic graph representation with attention-aware multiple instance learning for whole slide image analysis

2026-09-09

0

PRE

AI

DOI：10.1016/j.asoc.2026.116382

原文链接

原文求助

摘要

En 中文

全切片图像（WSI）在滑片级监督下的分析需要有效建模众多组织补丁之间的关系。现有的MIL方法主要独立聚合实例特征或进行有限的上下文交互，而许多基于图的MIL方法依赖静态或空间受限的图，难以捕捉组织学区域之间的动态、长距离和非对称依赖关系。为解决此限制，我们提出聚合动态图表示和注意力感知多实例学习（ADGA-MIL），一种弱监督框架，自适应地为WSI表示学习构建有向图。在ADGA-MIL中，每个补丁特征被视为实例嵌入，并进一步映射为发送者和接收者角色表示，用于建立实例间的样本特定有向关系。随后，一个注意力感知聚合模块在动态图上传播判别信息，辅助实例级监督进一步提高了信息组织区域的分离性。在多个公开WSI数据集上的癌症诊断、分型、分级和生存预测实验表明，ADGA-MIL在所评估设置中相对于代表性MIL和基于图的MIL基线取得了较强的性能。这些结果支持动态有向图建模在所评估基准数据集、下游任务和特征提取器中的有效性。

Aggregate dynamic graph representation with attention-aware multiple instance learning for whole slide image analysis

摘要

期刊

机构

引用论文