摘要
针对吉字节级病理切片中稀疏诊断证据识别及多尺度观察整合难题,现有方法常因压缩或启发式选择削弱预测与形态学的关联。本文提出AdaptivePath,一种将证据获取建模为序列决策的主动感知框架。Navigator通过学习异常驱动导航策略,在有限ROI预算下从低倍到高倍层级化获取稀疏观察;Morphology Interpreter将观察转化为条件证据,Deliberator评估并修正中间答案,Arbiter整合历史生成最终结论。该方法在WSI和区域病理VQA基准上达到SOTA零样本性能,并在TCGA队列癌症亚型分类中取得80.14%准确率,证明了学习到的主动感知能有效支持可追溯的视觉推理。
AI 推荐理由
论文核心在于通过主动感知机制实现病理图像中的视觉推理,重点解决证据整合与逻辑判断问题。
研究机构
College of Computer Science and Technology, Harbin Institute of Technology, Shenzhen
School of Computing and Data Science, The University of Hong Kong
论文信息