摘要

本文介绍了一种名为SCMIL（Sparse Context-aware Multiple Instance Learning）的新框架，用于预测癌症患者的生存概率分布。该框架通过分析全切片图像（WSI）中的肿瘤微环境，创新性地利用稀疏自注意力机制来识别和学习局部区域内实例间的复杂交互特征。SCMIL不仅能够过滤掉与任务无关的补丁，还能通过注册混合密度网络（RegisterMDN）预测个体患者的生存概率分布，从而提供更具临床意义的预测。实验结果表明，SCMIL在两个公开的WSI数据集上优于现有的最先进方法，提供了更准确和可解释的癌症生存预测。

原理

SCMIL框架的核心在于其三个主要组件：SoftFilter、Sparse Context-aware Self-Attention（SCSA）和Register-based Mixture Density Network（RegisterMDN）。SoftFilter模块通过学习过滤掉与任务无关的补丁，只保留相关的补丁进行进一步分析。SCSA模块利用稀疏自注意力机制，基于补丁的形态特征和空间位置信息，将补丁分组并学习它们之间的交互关系。RegisterMDN则通过学习癌症患者群体的数据，预测个体患者的生存概率分布，增强了模型的临床相关性和解释性。

流程

SCMIL的工作流程首先将WSI分割成固定大小的补丁，然后使用SoftFilter模块筛选出任务相关的补丁。接着，SCSA模块对这些补丁进行聚类，并利用稀疏自注意力机制学习补丁间的交互。最后，RegisterMDN模块基于这些交互特征预测患者的生存概率分布。整个流程通过端到端的训练方式进行优化，确保模型能够从大量数据中学习到有用的特征。

应用

SCMIL框架在癌症生存预测领域具有广泛的应用前景。它不仅可以用于提高临床决策的准确性，还可以作为研究工具，帮助科学家更好地理解肿瘤微环境与患者生存之间的关系。此外，该框架的可解释性和临床相关性使其成为个性化医疗和健康监测的重要工具。