在2026年5月24日提交至arXiv的一篇论文中，作者Devansh Lalwani等三人提出了一种将细胞层（cellular sheaves）与分类器注意力对齐的方法，用于提升弱监督病理定位的可解释性。该研究编号为arXiv:2606.00092，属于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）方向。
研究从一个临床痛点出发：基于基础模型特征构建的注意力多示例学习（ABMIL）在全切片图像的弱监督分类上，已经在Camelyon16数据集上接近饱和，但模型输出的注意力图并不是理想的定位信号。在临床解读中，如果一个模型分类正确、却没有在实际病灶区域产生高响应，就很难让人信任。作者希望通过引入新的数学工具来弥补这一缺口。
细胞层为图的每个顶点和每条边分配有限维向量空间，并在它们之间建立一致的线性映射，从而为检测图结构数据上的局部不一致提供了系统性手段。作者将细胞层应用于全切片图像的弱监督肿瘤定位，把层不一致场（sheaf disagreement field）与ABMIL结合起来。
研究过程中发现一个关键问题：最自然的训练目标——鼓励相似特征之间保持一致——所产生的是一种跟踪组织级纹理而非诊断内容的不一致场。换句话说，朴素的层一致性并不能让模型聚焦于肿瘤区域。为此，作者提出了“注意力条件一致性”（attention-conditional consistency），利用分类器自身的注意力来决定哪些相邻图像块应当保持一致。
在这种目标下对分类器和层进行联合训练，在Camelyon16上得到的不一致场达到0.940的图像块级AUC，并将注意力头从单独使用ABMIL时的0.717提升到0.953。为验证增益来源，作者进行了两阶段消融实验：将分类器冻结在其ABMIL数值上时，不一致场仅达到0.727，注意力仍停留在0.717，这确认了性能提升来自投影器在两个目标下共同自适应，而非单独改变损失函数。
该训练好的模型无需重新训练即可迁移到Camelyon17的标注切片上，保持Delta AUC为0.932（±0.083），注意力AUC为0.955（±0.099）。最终结果是注意力图和层不一致图会在相同的诊断区域上产生响应，从而为临床医生针对每个切片级预测提供两种互补的解释。论文全文约3.1MB，作者还包括Swapnil Bhat等人，提供了PDF与实验性HTML版本，并附有DOI链接。