基于分层注意力多示例学习(HAMIL)的无标记结直肠癌分型新方法

本研究针对结直肠癌(CRC)病理诊断需专业标注的痛点，开发了结合光学时间拉伸(OTS)成像与微流控细胞聚焦的高通量细胞图像采集系统，构建包含363,931张细胞图像的临床数据集。研究人员提出分层注意力多示例学习(HAMIL)模型，通过实例注意力层和包注意力层分别实现细胞级异质性建模和群体特征整合，最终以86.30%的F1分数超越现有方法，为无标记CRC分型提供新途径。

　　

结直肠癌(Colorectal Cancer, CRC)作为胃肠道主要恶性肿瘤之一，其精准诊断亟需对肿瘤微环境(tumor microenvironment)进行细胞层面的深度解析。虽然病理成像仍是癌症诊断的金标准，但该方法依赖大量标注时间和专家知识。为此，研究者提出分层注意力多示例学习(Hierarchical Attention Multi-Instance Learning, HAMIL)实现无标记CRC分型。

通过整合光学时间拉伸(Optical Time-Stretch, OTS)成像技术与微流控细胞聚焦技术，团队开发出高通量细胞图像采集系统，成功捕获10个临床样本（5例正常样本、5例癌变样本）共计363,931张细胞图像，构建了高通量CRC分型数据集。基于该数据集，HAMIL模型利用实例注意力层从单细胞实例中提取注意力权重，实现对肿瘤异质性和微环境的细粒度建模；进一步通过包注意力层整合包级特征表征，在全局尺度捕捉细胞群体的整体特性。

实验结果表明，HAMIL在CRC分型任务中超越八种先进多示例学习方法，达到86.30%的F1分数，为临床CRC分型提供了有效的新技术路径。