面向病理全切片图像层级分类的诊断文本引导表征学习

基于摘要分析。该研究面向病理全切片图像（WSI）的层级疾病分类，提出诊断文本引导的表征学习方法 PathTree，以疾病类别之间的层级关系补充仅依赖切片级标签的表征学习，研究对象是癌症病理图像诊断，而非 EEG 或 BCI。 核心机制是将多类别疾病组织为二叉树，用专业病理文本描述表示每个类别，并通过树状编码器在类别描述之间传递信息。交互后的文本特征用于引导多层级表征的聚合，模型再根据切片与文本的相似度计算概率分数。此外，PathTree 引入两个针对树结构的额外损失，以约束文本与切片之间的关联；摘要未给出损失公式、树的构建方式及具体训练流程。 作者报告，在三个层级分类数据集上开展实验，分别涉及内部冷冻切片肺组织病变识别、公开前列腺癌分级评估和公开乳腺癌亚型分类；作者称 PathTree 相比所比较的先进方法持续具有竞争力。摘要未提供数据集具体名称、样本量、划分协议、评价指标或数值，因此不能据此量化增益或判断不同任务上的优势幅度。 阅读重点是类别文本、树结构信息传递与层级表征聚合如何协同，以及树结构损失是否带来独立贡献。实验协议、消融及统计信息尚未验证，代码和复现条件亦尚未验证。现有材料未建立其与 EEG/BCI 任务的具体对应关系，不应将病理分类结果视为 BCI 有效性证据。