2026年5月24日にarXivへ投稿された論文（arXiv:2606.00092、cs.CVおよびcs.AI）で、Devansh Lalwani氏ら3名の著者は、細胞層（cellular sheaves）を分類器の注意と整合させることで、弱教師あり病理定位の解釈性を高める手法を提案した。
研究の出発点は臨床上の課題にある。基盤モデルの特徴量の上に構築した注意ベースの多重インスタンス学習（ABMIL）による全スライド画像の弱教師あり分類は、Camelyon16データセットのスライドレベル性能でほぼ飽和に達している。しかし、それに対応する注意マップは不完全な定位信号である。臨床的解釈では、モデルが正しく分類しても実際の病変部位で反応しない場合、その信頼性は低い。著者らはこのギャップを埋めることを目指した。
細胞層は、グラフの各頂点と各辺に有限次元のベクトル空間を割り当て、それらの間に整合的な線形写像を定義する。これにより、グラフ構造データ上の局所的な不一致を原理的に検出できる。著者らは細胞層を全スライド画像の弱教師あり腫瘍定位に適用し、層不一致場（sheaf disagreement field）とABMILを組み合わせた。
検討の過程で重要な問題が明らかになった。類似特徴間の一致を促す最も自然な学習目的では、診断内容ではなく組織レベルのテクスチャを追跡する不一致場が生成されてしまう。そこで著者らは「注意条件付き一致性（attention-conditional consistency）」を提案し、分類器自身の注意を用いて、どの隣接パッチ同士が一致すべきかを定義した。
この目的の下で分類器と層を同時に学習すると、Camelyon16において不一致場はパッチレベルのAUC 0.940を達成し、注意ヘッドはABMIL単独時の0.717から0.953へ向上した。利得の源泉を検証するため、著者らは2段階のアブレーションを実施した。分類器をABMILの値で凍結した場合、不一致場は0.727にとどまり、注意も0.717のままであった。これにより、性能向上は損失関数の変更単独ではなく、2つの目的の下で投影器が共適応したことによるものだと確認された。
学習済みモデルは再学習なしでCamelyon17の注釈付きスライドへ転移し、Delta AUC 0.932（±0.083）、注意AUC 0.955（±0.099）を維持した。最終的な成果は、注意マップと層不一致マップが同じ診断領域で反応することであり、臨床医はスライドレベルの各予測に対して2つの相補的な説明を得られる。論文は約3.1MBで、Swapnil Bhat氏らも著者に加わり、PDFと実験的なHTML版、DOIリンクが提供されている。