arXiv cs.AI· Nheng Vanchhay, Ali Hussain, Khan Ziaullah, Moon-Il Joo, Md Ariful Islam Mozumder, Rashedul Islam Sumon, Won-Ae Lee, Min-Sun Cho, Hyeong-Chan Shin, Yujun Park, Baek Hwan Cho, Nam-Hoon Cho, Heejung An, Heung-Kook Choi, Haeyoun Kang, Hyunki Kim, Hee Cheol Kim·· 10 小时前AI 评分31
基于基础模型特征时，聚合器复杂度无法提升胃癌全切片图像跨医院判别能力
With foundation-model features, aggregator complexity does not improve cross-hospital discrimination in gastric whole-slide image classification
AI 导读
研究用韩国五家医院的 5,036 张胃部 H&E 全切片图像（20x 与 40x 扫描），在冻结病理基础模型特征上以留一医院验证比较多实例学习聚合器。带站点对齐与双尺度融合的 CHIME-MIL 平均 AUC 为 0.837，但在匹配配方下未超过注意力池化，全局最大池化配合相同对齐与融合反而更优（AUC 0.855，P = 0.0002）。
正文 · AI 翻译
作者：Nheng Vanchhay、Ali Hussain、Khan Ziaullah、Moon-Il Joo、Md Ariful Islam Mozumder、Rashedul Islam Sumon、Won-Ae Lee、Min-Sun Cho、Hyeong-Chan Shin、Yujun Park、Baek Hwan Cho、Nam-Hoon Cho、Heejung An、Heung-Kook Choi、Haeyoun Kang、Hyunki Kim、Hee Cheol Kim
摘要：全切片图像分类器通常在一家医院内开发，且往往未在未见过的医院进行测试。我们汇集了来自五家韩国医院的 5,036 张苏木精-伊红染色的胃部切片，以 20x 和 40x 扫描，并在冻结的病理基础模型特征上，采用留一医院交叉验证比较了多实例学习聚合器。一种带有站点对齐和双尺度融合的层次化 patch-区域-切片图聚合器（CHIME-MIL）达到了 0.837 的平均受试者工作特征曲线下面积（AUC），高于六个未采用这些步骤训练的常规注意力与 transformer 聚合器。在匹配配方下，它并未超过基于注意力的池化，而在相同对齐与融合下，全局最大池化表现更好（AUC 0.855，P = 0.0002）。该对齐方法在不使用标签的情况下减去每家医院的平均特征向量，仅用十张无标签切片即可接入一家新医院，且在无留出医院数据时仅损失 0.002 AUC，但其准确率提升幅度小且不一致。该模型具有较低的 top-label 校准误差（0.053），但对恶性概率的置信度偏低，且移除其最受关注的 patch 比移除随机 patch 使恶性概率下降的幅度大得多。凭借这些特征，更复杂的聚合器并未改善判别能力；可部署系统所增加的是无标签接入、校准检查和可审计证据。
| 学科： | 图像与视频处理（eess.IV）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.41328 [eess.IV] |
| （或 arXiv:2610.41328v1 [eess.IV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41328 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Md Ariful Islam Mozumder [查看电子邮件]
[v1]
2026年10月30日星期五 06:43:47 UTC（1,057 KB）
来源：arXiv cs.AI · arxiv.org