作者丨論文團隊

編輯丨ScienceAI

做自身免疫病檢查的時候，醫(yī)生要盯著一張張綠色的抗核抗體（ANA）免疫熒光顯微圖，一張圖里上百個細胞、好幾種發(fā)光模式摻在一起，只能靠經(jīng)驗慢慢看、慢慢判，很費時間也很考驗人?，F(xiàn)實中，醫(yī)生通常只會在報告里勾一下“這張圖有哪些模式”，而不會有空給每個小區(qū)域、每個細胞單獨打標簽，這就讓很多 AI 方法“有心無力”，模型想學，但細粒度標注太貴、幾乎拿不到。

近期，香港理工大學聯(lián)合四川大學華西醫(yī)院在國際醫(yī)學圖像頂級期刊 IEEE Transactions on Medical Imaging（IEEE TMI）上發(fā)表了最新成果：團隊提出了一套只用“整張圖的結果”，就能教會 AI 自動讀抗核抗體（ANA）免疫熒光顯微圖的通用方法。

簡單說，就是讓 AI 自己學會三件事：先把大圖切成很多小塊，自動挑出“最有信息量”的那些，再在只知道“整張圖有哪些模式”的前提下，倒推出每塊圖里大概出現(xiàn)了什么模式，最后給出整張圖的多標簽判斷。這樣一來，既不增加醫(yī)生的標注負擔，又能顯著提升 ANA 自動判讀的準確性，而且在其他多實例多標簽的醫(yī)學圖像任務上，同樣表現(xiàn)很好，有希望成為一套“通用套路”。

文章作者分別來自兩所高校和一所臨床醫(yī)學院，包括江奕飏、錢光武、吳嘉欣、黃琪、李青、武永康、魏驍勇，其中魏驍勇教授為通訊作者。

代碼鏈接：https://github.com/fletcherjiang/ANA-SelfPacedLearning

論文鏈接：https://ieeexplore.ieee.org/document/11269887

Arxiv鏈接：https://arxiv.org/abs/2511.21519

醫(yī)生看 ANA 圖，有多難？

ANA 是檢查自身免疫性疾病的一種常規(guī)項目，做自身免疫病（比如紅斑狼瘡、干燥綜合征、硬皮?。z查時，醫(yī)生會做一個 ANA 檢測，把病人的血清滴到細胞上，再加上會發(fā)綠光的二抗，最后在熒光顯微鏡下看，這會帶來以下問題：

• 一張圖里有很多細胞：不是一兩個，是一大片視野；
• 可能同時有好幾種“發(fā)光模式”：比如“均質+顆粒+核膜”混一起；
• 醫(yī)生給的往往只有“整張圖的結果”：比如勾選了幾種模式，而不會告訴你“哪一塊是哪種”。

對 AI 來說，這就像：老師只告訴你“這個班語文平均 85、數(shù)學平均 90”，但不告訴你“每個學生具體多少分”，還要你自己學會給每個學生估分，再總結出這班是什么水平。傳統(tǒng)做法要么是把單個細胞摳出來，一個個分類（但和臨床實際讀片方式不太一樣），要么假裝“一張圖只有一個標簽”（現(xiàn)實中根本不是這樣）。

基于這些問題，此工作的目的就是想實現(xiàn)：在“只知道整張圖結果”的情況下，讓 AI 自己學會從大圖里挑出關鍵區(qū)域，并且搞懂有哪些模式、多重共存到什么程度。

圖 1：抗核抗原（ANA）圖像示例及多標簽多實例挑戰(zhàn)。

讓 AI 像醫(yī)生一樣先“挑重點再下結論”

醫(yī)生看片子的習慣其實很樸素，先掃一眼，心里有數(shù)：哪些區(qū)域是“信息量很大”的，哪些只是空背景或者隨機噪音，聚焦在那些代表性的區(qū)域上，再綜合判斷整體有哪些模式。本文的框架就是把這個邏輯“程序化”， 把大圖切成很多小塊，讓 AI 一邊學模式，一邊自己決定。哪些小塊值得重點看，每塊大概對應哪些模式，整個流程可以想象成三步走。

1. 把大圖切成“小格子”

原始顯微鏡圖不做花里胡哨的預處理，不摳單細胞，按網(wǎng)格直接切成一堆小塊（patch），每個小塊就是一個“實例”，一張大圖，就是裝滿這些小塊的“包”。 這樣做的好處是：簡單粗暴、貼近真實讀片視野，也方便遷移到別的醫(yī)學圖像上。

1. 實例采樣器：別把時間浪費在“水圖”上

切完之后，小塊很多，但價值不一樣：有的小塊是典型模式，信息量大，醫(yī)生一看就說“就它了”；有的則是沒多少細胞、甚至就是背景，基本白看；還有一些是好幾種模式混在一起，比較難學。

因此團隊給模型加了一個“小助手”名為實例采樣器：在訓練過程中，模型會給每個小塊打一個“有用程度”的分數(shù)。分數(shù)高，說明“這個小塊對學會某種模式很有幫助”；分數(shù)低，訓練時就少看甚至直接忽略。通俗來講就是 AI 自己學會“挑重點”。

有價值的題多做幾遍，亂七八糟的題少浪費時間。這個機制可以讓訓練更快收斂、也更穩(wěn)定，最終效果也更好。

圖2：所提方法的整體框架示意圖。首先將輸入的 ANA 大圖劃分為多個局部小塊，不同符號表示其中包含的不同 ANA 模式，由實例采樣器結合可學習置信度選擇代表性小塊并送入 CNN。隨后偽標簽分配器利用整圖標簽和置信度生成連續(xù)偽標簽，動態(tài)自步學習損失自適應強化可靠實例，最后將各子區(qū)域預測結果聚合，得到整圖的多標簽 ANA 判讀結果。

1. 偽標簽 + 自己控制學習節(jié)奏

只有“整張圖的標簽”還不夠，模型從兩個點切入。第一就是創(chuàng)建偽標簽分配器，把大標簽拆到小塊上。醫(yī)生只告訴這張圖有“均質 + 顆粒 + 核膜，但實際上模型不知道：哪些小塊是“純均質”，哪些是“純顆粒”，哪些是“啥也沒有”。 偽標簽分配器做的事情是：根據(jù)當前模型的預測，給每個小塊、每個模式一個 0～1 的軟標簽。這些“偽標簽”會在訓練過程中不斷更新，相當于模型在自己給自己補作業(yè)答案。

第二個就是自步學習：簡單的先學，難的后學。如果一上來就把“混得一團糟”的小塊塞給模型，很容易學崩。所以在損失函數(shù)里加入了一個“自我節(jié)奏”的設計：標簽比較干凈、模式清晰的小塊：權重大一點，先學扎實；特別復雜、模式混得厲害的：一開始權重小一些，等模型基礎扎實再慢慢加強它們的影響。

實驗表現(xiàn)

在實驗部分，團隊首先基于真實臨床工作流，與華西醫(yī)院共同構建了一套大規(guī)模 ANA 圖像數(shù)據(jù)集。數(shù)據(jù)全部來自實際檢測過程中的原始顯微鏡大圖，涵蓋 8 種常見 ANA 熒光模式，同時保留了多種模式共存、圖像質量參差不齊等“真實世界”問題。

在這一數(shù)據(jù)集上，將所提出的方法與多種主流 ANA 自動判讀模型及通用多標簽算法進行了系統(tǒng)對比，在多標簽情形下的主要評價指標（如 F1、mAP 等）上均取得了更優(yōu)的結果，尤其在一張圖同時存在多種模式的復雜樣本上表現(xiàn)更為突出。

圖3：提出方法與各類 SOTA 方法在測試集上的實驗結果。加粗表示該指標的最佳結果，標記 ? 的模型為專門為 ANA 檢測設計。

為了檢驗方法的通用性，團隊進一步在 NuCLS、BCSS 和 PaNNuke 三個公開的多實例多標簽病理圖像數(shù)據(jù)集上進行了實驗。

這些數(shù)據(jù)集涵蓋乳腺癌全視野切片、語義分割任務以及跨多器官、多組織類型和多類細胞核的標注，基本保持同一套“切塊 + 實例采樣 + 偽標簽分配 + 自步學習”的整體框架，僅做必要的適配，在多數(shù)評價指標上依然能與現(xiàn)有代表性方法相比取得領先或接近領先的結果。

這表明，所提出的思路不僅適用于 ANA 判讀場景，也具備向其他多實例多標簽醫(yī)學影像任務推廣的潛力。

圖4：三個醫(yī)學數(shù)據(jù)集上的對比結果（均值 ± 標準差）。帶 ↑（↓）的指標數(shù)值越大（越?。┬阅茉胶?；加粗為該指標最優(yōu)結果，下劃線為次優(yōu)結果；N/A 表示在 72 小時內(nèi)未得到結果。

不只看 ANA：走向更多醫(yī)學影像場景

在整體上，這項工作立足于真實臨床場景的核心難點：一張圖像中往往存在多種 ANA 模式，而臨床常規(guī)只提供整圖級別的判讀結果，不會對局部區(qū)域或單個細胞進行逐一標注；在此設定下，團隊通過“切塊、挑選關鍵實例、推斷偽標簽和自步學習”讓模型在僅有整圖標簽的前提下，仍能自動聚焦關鍵信息并給出多模式判讀，從而在基本不改變現(xiàn)有工作流、幾乎不增加標注負擔的情況下，獲得更穩(wěn)定、客觀的輔助結果。

由于該框架只依賴于“一張大圖由若干局部區(qū)域組成、整體可能對應多個標簽”這一通用假設，它有望自然推廣到病理全視野切片的多病灶檢測、胸片中多病變共存的識別，甚至更廣泛的多實例多標簽視覺任務。

未來計劃在多中心、多設備數(shù)據(jù)上進一步驗證跨醫(yī)院泛化能力，并強化模型可解釋性（如通過可視化關注區(qū)域），同時探索與醫(yī)院信息系統(tǒng)和檢驗報告流程的深度融合，使其以“模型建議 + 醫(yī)生審核”的形式真正服務于臨床實踐。