病理分级判读需要医师在多档放大倍率间反复切换，切片级标注成本高，阳性样本比例又低。医疗AI实验室用弱监督多实例学习（MIL）搭了一条分级流水线：只用切片级标签训练，patch 特征由预训练编码器提取，注意力池化输出各类别权重，再把高注意力区域回溯成热力图，供医师核对模型“看”的位置是否合理。
阶段性进展：
- 在约 1800 张脱敏切片的内部评测中，三分类任务（阴性／低级别／高级别）宏平均 AUC 约 0.92；误差集中在制片褶皱、染色偏深造成的伪影区域，高级别类召回偏低；
- 加入类别重加权与难例挖掘后，少数类 F1 提升约 6 个百分点，假阴性率同步下降，但阈值对不同扫描仪的敏感性仍需观察。
下一步做跨中心外部验证与概率校准（温度缩放），并测试低倍率扫描下的稳定性，避免阈值调优退化为对单中心数据的过拟合。当前全部结果来自离线评测，不作为临床依据。
评论