将细胞层与分类器注意力对齐实现可解释的弱监督病理定位

近日，一项发表于arXiv的研究提出了一种结合细胞层（cellular sheaves）与注意力机制的新方法，旨在提升弱监督病理图像分析的定位可解释性。当前基于注意力多重实例学习（ABMIL）的全切片图像分类在Camelyon16数据集上已接近饱和，但注意力图往往无法准确聚焦于病变区域，导致临床诊断信任度不足。为弥补这一缺陷，研究团队引入细胞层理论，为图结构的每个顶点和边赋予有限维向量空间及一致性线性映射，从而能够检测局部特征不一致性。他们将细胞层不一致场与ABMIL结合，用于弱监督肿瘤定位。然而，传统的训练目标倾向于鼓励相似特征间的一致性，导致不一致场更多地反映组织纹理而非诊断相关信息。为此，研究者提出了注意力条件一致性训练：利用分类器的注意力定义相邻补丁间应达成一致的范围，并在此基础上联合训练分类器和细胞层。实验结果表明，联合训练后的不一致场在Camelyon16上达到0.940的补丁级AUC，注意力头AUC从单独ABMIL的0.717提升至0.953。两阶段消融实验（冻结分类器为ABMIL权重）仅得到0.727的AUC，证实性能提升来自投影器在两种目标下的共同适应，而非单纯损失函数变化。此外，训练好的模型无需重新训练即可迁移至Camelyon17注释切片，保持Delta AUC 0.932±0.083和注意力AUC 0.955±0.099。最终，模型同时生成注意力图与细胞层不一致图，两者均聚焦于相同诊断区域，为每个切片级预测提供两种互补的解释。这项研究由Devansh Lalwani等人完成，论文编号arXiv:2606.00092，投稿于2026年5月24日，涵盖计算机视觉和人工智能领域。该方法不仅提升了定位精度，还增强了模型的临床可信度，为病理图像分析提供了新思路。