基于旋转位置编码和稀疏注意力的多示例学习模型在低分化肺癌分类中的创新应用

《Biomedical Signal Processing and Control》：Enhancing poorly differentiated lung cancer classification with rotary position embedding and sparse attention in multiple instance learning

本文提出RoSA-MIL算法，通过融合旋转位置编码（RoPE）和稀疏注意力机制，显著提升多示例学习（MIL）框架对全幻灯片图像（WSI）的处理能力。该模型在保持O(n)计算复杂度的同时，有效捕获长程依赖关系，在三个独立中心的肺癌亚型分类任务中展现出卓越的诊断准确性与泛化能力，为低分化非小细胞肺癌（NSCLC）的精准诊断提供新范式。

　　

当前MIL方法

全幻灯片图像（WSI）蕴含关键诊断信息，但细胞级标注成本高昂。基于注意力的多示例学习（AMIL）通过自适应实例加权缓解此问题，但DGR-MIL、FR-MIL等方法仍存在长序列建模瓶颈。

多示例学习（MIL）概述

MIL预测流程包含三个核心步骤：实例特征提取、实例特征聚合和袋级别分类。其整体管道可定义为：? ← M(X) ? C(A(F(X)))，其中F(·)为实例特征映射函数，A(·)为聚合函数，C(·)为基于袋特征的分类器。

实验

本章将详细阐述数据集构成与模型配置方案。

结果与讨论

本节展示三组实验结果：1）与现有模型的分类性能对比；2）消融实验验证模块有效性；3）低分化肺癌热力图可视化分析。

结论

本研究提出的MIL方法结合稀疏注意力与实例级聚类损失，通过局部-全局注意力协同机制增强长程依赖建模能力。经大规模训练后，模型在WSI分类任务中展现出优异精度，并为计算病理学提供可解释性特征。