一种结合原型实例对抗性对比的学习网络，用于宫颈病理分级

《Medical Image Analysis》：A Multi-instance Learning Network with Prototype-instance Adversarial Contrastive for Cervix Pathology Grading

宫颈癌病理分级基于多实例学习的原型实例对抗对比方法研究。提出PacMIL模型，通过非平衡多实例学习算法、原型实例对抗对比学习机制和对抗对比学习策略，解决病理图像中多分化实例的评估模糊问题，显著提升准确率（93.09%）和AUC（0.9802），代码和数据集公开。

　　

马明瑞|罗芙蓉|马斌林|刘淑贤|吕晓毅|黄攀

新疆大学计算机科学与技术学院，乌鲁木齐830046，中国

摘要

宫颈鳞状细胞癌（CSCC）的病理分级是肿瘤诊断中的一个基本且重要的指标。病理学家在分级过程中往往只关注单一分化区域。现有的多实例学习（MIL）方法将病理图像划分为多个区域，生成多个分化实例（MDIs），但这些实例的分级模式往往具有模糊性。这种模糊性降低了模型准确表示CSCC病理分级模式的能力。针对这些问题，我们提出了一种端到端的多实例学习网络——PacMIL，该网络采用了原型实例对抗性对比学习机制，主要包括三个关键点：首先，我们引入了一种端到端的非平衡学习算法，解决了MIL特征表示与CSCC病理分级之间的不匹配问题，并实现了非平衡表示；其次，我们设计了一种原型实例对抗性对比（PAC）方法，整合了先验原型实例和概率分布注意力机制，增强了模型学习单一分化实例（SDIs）表示的能力；第三，我们将对抗性对比学习策略融入PAC方法中，以克服固定指标难以捕捉MDIs和SDIs变异性的局限性。此外，我们将MDIs和SDIs的正确度量距离嵌入优化目标函数中，进一步指导表示学习。大量实验表明，我们的PacMIL模型在mAcc和AUC指标上分别达到了93.09%和0.9802，优于其他最先进模型（SOTA模型），其表示能力也优于现有的SOTA方法。总体而言，我们的模型在CSCC病理分级方面具有更高的实用性。我们的代码和数据集将公开发布在：https://github.com/Baron-Huang/PacMIL。

部分摘录

引言

宫颈鳞状细胞癌（CSCC）是女性中常见的癌症，其有效的诊断、治疗和预后具有重要的实际价值。CSCC的病理分级是诊断、治疗和预后的一个基本且重要的指标（Guo等人，2023年；Chakravarthy等人，2022年）。从生物遗传学的角度来看，CSCC图像通常包含多种不同的分化情况，肿瘤中也存在不同程度的分化。

问题陈述

假设：（a）CSCC病理图像中的分化程度不均匀，多个分化状态可能同时存在。病理学家倾向于关注分化程度最高的区域来做出判断，因此病理分级满足多实例学习的基本条件。（b）CSCC病理图像被划分为单一分化实例和多个分化实例。

实验参数、数据集和评估指标

实验设置：首先，为了训练所有肿瘤分级模型，组织病理学样本被随机划分。每个数据集的具体划分比例在相应说明中给出。所提出的PacMIL在PyTorch框架中通过Rmsprop进行优化。其次，我们设置超参数如下：批量大小=4，迭代次数=100，所有随机种子固定为1以便结果可复现，深度模型的输入尺寸为$85\times 96\times 96\times$。第三，

PacMIL的讨论

根据第2节的介绍，我们知道具有模糊模式的MDIs会干扰模型的特征表示，导致大量模糊模式的知识出现在特征表示中，从而降低MIL在CSCC分级方面的性能。最后，我们提出了一种结合EMNL的端到端PacMIL，实现端到端的特征编码和表示，从而改善了特征之间的匹配度。

结论与未来工作

结论：CSCC病理分级是肿瘤诊断和研究的一个基本指标。因此，我们使用多实例学习来实现CSCC的智能病理分级。基于病理学家的先验经验，我们知道MDIs的病理分级模式具有模糊性，这干扰了多实例模型的特征表示，从而导致病理分级性能和模型可解释性较差。为此，

未引用参考文献

（Liu等人，2021年）

CRediT作者贡献声明

马明瑞：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、软件开发、资源管理、项目协调、资金筹集、形式化分析、数据整理、概念构建。罗芙蓉：验证。马斌林：概念构建。刘淑贤：方法论、概念构建。吕晓毅：监督。黄攀：可视化、验证、方法论、概念构建、数据整理、形式化分析、资金筹集、调查、项目协调

利益冲突声明

作者声明没有利益冲突。

致谢

本工作得到了新疆维吾尔自治区自然科学基金（2023D01C133）和自治区科技支撑新疆项目计划（2021E02078）的支持。