基于多任务学习和一致性损失的数字病理学弱监督细胞定位方法研究

数字病理学中细胞检测与分割面临标注成本高的问题。研究人员创新性地提出混合监督策略，利用"目测法"(eyeballing)获取的细胞计数作为弱监督信号，结合多任务学习框架和一致性损失函数，在HE染色组织图像上实现了细胞定位与计数的协同优化。该方法显著降低了强标注依赖，为病理AI模型训练提供了新范式。

　　

在数字病理学领域，精确的细胞定位(cell localization)是构建自动化诊断系统的核心挑战。传统方法依赖全边界标注(full boundary annotations)训练编码器-解码器网络(encoder-decoder networks)，但绘制细胞轮廓需要病理专家投入大量时间——在1536×1536像素的高分辨率图像中，标注单个细胞的边界可能就需要数分钟。更棘手的是，某些临床应用如细胞计数(cell counting)其实只需要知道细胞的近似位置，这种"杀鸡用牛刀"的现状严重制约了病理AI的推广。

科克大学(Koc University)KUIS人工智能中心的研究团队另辟蹊径，从病理医生的实际工作流程中获得灵感。临床上常用的"目测法"(eyeballing)——即通过快速视觉评估估算细胞数量——虽然存在±10%的误差，但效率比精确标注提升数十倍。Berke Levent Cesur等研究者首次将这种最弱形式的监督信号引入深度学习框架，设计出创新的混合监督(mixed-supervision)方案。相关成果发表在《Computers in Biology and Medicine》上，为降低病理AI门槛提供了重要解决方案。

研究团队采用多任务学习(multitask learning)架构，共享编码器后分设两个分支：基于U-Net的定位解码器预测细胞位置图，全连接层则直接回归细胞数量。关键技术包括：1）利用高斯核将稀疏点注解(point annotations)转化为密度图；2）设计一致性损失(consistency loss)强制两个分支预测的细胞数量相符；3）在浆液性癌(serous carcinoma)和公共数据集上采用不同比例强/弱标注数据验证。

【方法论创新】通过引入"预测一致性"约束，网络能自动校正目测计数的偏差。当定位分支预测的连通域数量与计数分支输出差异较大时，损失函数会施加惩罚。这种设计巧妙利用了任务间的互补性——定位提供空间验证，计数提供全局约束，比单一任务网络更具鲁棒性。

【实验结果】在仅10%强标注数据时，加入目测监督使F1-score提升7.2%。消融实验显示一致性损失使计数误差降低19%，证明其有效缓解了弱标注噪声的影响。特别在细胞重叠区域，多任务模型的假阳性率显著低于单任务模型。

【临床价值】这项研究突破了数字病理的标注瓶颈：当仅有20张全标注图像时，配合200张目测计数图像，模型性能可达纯强监督的85%。这意味着医院可用现有病理报告中的粗略细胞数训练AI，大幅降低实施成本。未来可扩展至核分级(nuclear grading)等更多弱监督场景，推动病理AI的普惠应用。

讨论部分强调，该方法首次验证了"医生常识"作为监督信号的可行性。通过数学建模临床经验（目测计数），不仅节省90%标注成本，更开创了人机协同的新范式。研究者特别指出，当强标注数据<15%时，一致性损失的提升效果最显著，这对资源有限的医疗机构极具吸引力。该框架已部署于科克大学病理科，用于卵巢癌基质细胞分析，下一步将探索其在全切片图像(WSI)级别的扩展应用。