组织感知的双注意力多实例学习

论文提出 CDE-MIL，一种面向全切片病理图像的弱监督多实例学习框架。方法将组织前景分割、特征提取与双注意力聚合结合，在不依赖像素级标注的设置下研究结直肠癌分类。

三个协同的模块

01

Tissue-Seg

提取组织前景，减少背景干扰。

02

CFE

结合变分信息瓶颈与 top-k 筛选，提取并选择特征。

03

DAM

聚合通道与实例两个维度的注意力。

论文报告的实验结果

全数据实验设置下，各队列的准确率（ACC）如下。结果对应论文中的数据划分与实验条件，不代表临床部署表现。

CDE-MIL · 全数据实验
数据集任务领域ACC
TCGA-CRC结直肠癌0.9989
CRS结直肠癌0.9832
TCGA-STAD胃癌0.9341
CAMELYON16乳腺癌淋巴结转移0.9253

作者机构：苏州科技大学、山东大学。研究摘要依据用户提供的论文原文整理。 DOI: 10.1016/j.bspc.2026.110936