基于多病理基础模型联合和主动学习的全景数字病理切片级分析与预测方法研究.pdfVIP

中国体视学与图像分析2025年第30卷第4期

CHINESEJOURNALOFSTEREOLOGYANDIMAGEANALYSISVol.30No.4December2025419

文章编号：1007-1482（2025）04-0419-0430•医工交叉研究

DOI:10.13505/j.2025.30.04.008

基于多病理基础模型联合和主动学习的

全景数字病理切片级分析与预测方法研究

崔耀建，袁源，杨德旺，张子瑜，邵立智3，叶雄俊4，姜小明

（1.重庆邮电大学生命健康科学信息与工程学院，

重庆400065；

2.安徽医科大学第一附属医院，合肥230022；3.安徽大学互联网学院，

合肥230039；

4.中国医学科学院肿瘤医院泌尿外科，北京100021)

摘要：全景数字病理图像(Wholeslideimage，WSI)为组织病理学评估提供了高倍率、大视野可

量化的信息来源，对于实现精准诊疗意义重大。然而兆亿级的像素量给全景数字病理图像分析带

来了挑战，包括对图像内有效计算域的选取、特征编码和有效示例整合等。此外，由于临床数据

资源的稀缺性，可用于提升深度学习模型训练的样本总量受限，制约了模型在临床应用中的可靠

性和鲁棒性。为此，本文基于多病理基础模型联合与多示例学习实现端到端的全景数字病理图像

分析，并结合主动学习策略提高样本有效利用率和重复利用率，进而优化模型训练过程。在主动

学习过程中，通过教师-学生网络对单个样本不同网络分支的预测结果进行自适应权重计算与优

先级定义，并对训练样本进行重要性标记和频次设定。进而基于知识蒸馏思想将有效网络分支的

参数更新至学生网络，获得更可靠的预测模型用于下游任务迁移，并降低基础病理模型在迁移学

习过程中存在的分布外(Out-of-Distribution，OOD)问题。本研究所提方法分别在肾细胞癌TCGA-

RCC和乳腺癌TCGA-BRCA两个开源数据集上进行了验证，并在不同的临床目标任务中获得优势

表现。相较于经典方法，本文所提方法在切片级预测精度上提升显著(P0.05），为全景数字病

理图像切片级分析与建模预测提供了新路径。

关键词：全景数字病理图像；基础病理模型；主动学习；知识蒸馏

中图分类号：R36；TP39文献标识码：A

收稿日期：2025-09-06

项目基金：重庆市科技创新重大研发项目资助(CSTB2025TIAD-STX0010)；国家自然科学基金

作者简介：崔耀建(1999-），男(汉)，河南，硕士研究生。研究方向：医学信息与图像智能。

通信作者：邵立智，讲师。E-mail：24115@

叶雄俊，主任医师。E-mail：xjunye@163.com

姜小明，副教授。E-mail：jiangxm@

420中国体视学与图像分析2025年第30卷第4期

Slide-levelanalysisandpredictionofwholeslideimagesviamulti-foundation

pathologymodelintegrationandactivelearning

CUIYaojian1,YUANYuan1,YANGDewang1,ZHANGZiyu2,

SHAOLizhi{3,YEXiongjun4,JIANGXiaoming

(1.SchoolofLife