基于位置感知集的弱监督全切片亚型分类框架：提升癌症个性化诊疗精准度

本文提出了一种创新的位置感知集弱监督学习框架(PSWS)，通过两阶段结构解决全切片图像(WSI)癌症亚型分类难题。该框架突破传统多示例学习(MIL)的局限，采用保留空间信息的patch组织方式，结合特征选择机制有效过滤未标注正常组织的干扰，在公共和内部数据集上均展现卓越性能，为病理诊断提供可解释性可视化支持。

　　

Highlight

• 提出PSWS弱监督框架，基于WSIs视觉内容和patch空间信息自动选择诊断特征

• 设计位置感知集保留patch空间信息，无需组织区域分割等预处理操作

• 特征选择与融合机制可自动筛选亚型特异性诊断特征，无需负样本标注

• 在公共与内部数据集验证SOTA性能，可视化结果展现事后可解释性

Methodology

如图1所示，PSWS框架包含特征提取、特征选择与融合、WSI分类器三个子模块。特征提取采用病理图像预训练的ResNet50；特征选择与融合子模块通过空间上下文信息定位诊断特征；分类器基于注意力机制聚合set级特征。该设计模拟病理学家逐区域检查的诊断行为。

Experiments

实验涵盖三个数据集：TCGA公开数据集、内部肉瘤亚型数据集和脂肪肉瘤亚型数据集。基线对比显示PSWS显著优于传统MIL方法（准确率提升8.2%），UMAP可视化证实其能有效分离不同亚型特征。消融实验验证位置感知集设计使推理速度提升3倍。

Conclusion

本研究针对缺乏负样本的癌症亚型分类任务，提出基于位置感知集的PSWS框架。通过自适应关注高诊断价值特征，有效缓解未标注阴性区域的影响。构建的内部肉瘤数据集填补了该亚型研究空白，可视化模块为病理诊断提供可靠依据。