將細胞層與分類器注意力對齊實現可解釋的弱監督病理定位

近日，一項發表於arXiv的研究提出了一種結合細胞層（cellular sheaves）與注意力機制的新方法，旨在提升弱監督病理圖像分析的定位可解釋性。當前基於注意力多重實例學習（ABMIL）的全切片圖像分類在Camelyon16數據集上已接近飽和，但注意力圖往往無法準確聚焦於病變區域，導致臨牀診斷信任度不足。為彌補這一缺陷，研究團隊引入細胞層理論，為圖結構的每個頂點和邊賦予有限維向量空間及一致性線性映射，從而能夠檢測局部特徵不一致性。他們將細胞層不一致場與ABMIL結合，用於弱監督腫瘤定位。然而，傳統的訓練目標傾向於鼓勵相似特徵間的一致性，導致不一致場更多地反映組織紋理而非診斷相關信息。為此，研究者提出了注意力條件一致性訓練：利用分類器的注意力定義相鄰補丁間應達成一致的範圍，並在此基礎上聯合訓練分類器和細胞層。實驗結果表明，聯合訓練後的不一致場在Camelyon16上達到0.940的補丁級AUC，注意力頭AUC從單獨ABMIL的0.717提升至0.953。兩階段消融實驗（凍結分類器為ABMIL權重）僅得到0.727的AUC，證實性能提升來自投影器在兩種目標下的共同適應，而非單純損失函數變化。此外，訓練好的模型無需重新訓練即可遷移至Camelyon17註釋切片，保持Delta AUC 0.932±0.083和注意力AUC 0.955±0.099。最終，模型同時生成注意力圖與細胞層不一致圖，兩者均聚焦於相同診斷區域，為每個切片級預測提供兩種互補的解釋。這項研究由Devansh Lalwani等人完成，論文編號arXiv:2606.00092，投稿於2026年5月24日，涵蓋計算機視覺和人工智能領域。該方法不僅提升了定位精度，還增強了模型的臨牀可信度，為病理圖像分析提供了新思路。