CAMIL：面向全切片图像中癌症检测与亚型分类的上下文感知多实例学习

组织活检切片的视觉检查是癌症诊断的基础，病理学家需在多个放大倍数下分析切片，以识别肿瘤细胞及其亚型。然而，现有基于注意力机制的多实例学习（Multiple Instance Learning, MIL）模型在用于癌症诊断中的全切片图像（Whole Slide Images, WSIs）分析时，往往忽视了肿瘤区域与其邻近图像块之间的上下文信息，导致分类错误。为解决这一问题，我们提出了一种上下文感知的多实例学习（Context-Aware Multiple Instance Learning, CAMIL）架构。CAMIL引入邻域约束注意力机制，以捕捉全切片图像中各图像块之间的依赖关系，并将上下文约束作为先验知识融入MIL模型中。我们在非小细胞肺癌分型（TCGA-NSCLC数据集）以及淋巴结转移检测（CAMELYON16和CAMELYON17数据集）任务上对CAMIL进行了评估，分别取得了97.5%、95.9%和88.1%的测试AUC，显著优于其他先进方法。此外，CAMIL通过识别具有高诊断价值的区域，进一步提升了模型的可解释性。