用于肺腺癌生长模式空间 mapping 的视觉词袋方法

在整张切片图像（WSI）范围内对肺腺癌（LUAD）生长模式进行空间映射，需要在区域层面解析组织结构背景。然而，现有方法通常在单个图块层面运行，产生的是通用形态学聚类，而非临床定义的模式图谱。我们提出了一种弱监督词袋视觉词（Bag-of-Visual-Words，BoVW）流程：从一小组经过标注的感兴趣区域（ROI）中提取冻结的基础模型嵌入，并据此学习视觉词汇表。随后，将具有相同标签的 ROI 的 BoVW 直方图取均值，构建模式原型，并在 Jensen--Shannon 散度下使用最近原型分类法对滑动窗口区域进行分类。最终，将预测结果投影到 WSI 图块网格上，生成具有可解释性的空间模式图。我们在 87 名 CPTAC-LUAD 患者的数据上，使用三种基础模型编码器和多个词汇表规模，对两个具有临床意义的任务进行了评估。在肿瘤/健康组织分类任务中，采用 H-Optimus-1 的最佳配置达到了 $0.974$ 的平衡准确率，接近于使用 WSI 嵌入均值池化训练的监督式 SVM 所获得的 $0.987$。在二分类组织学分级任务中，对于所有编码器，BoVW 流程的平衡准确率均高于监督式基线，表明 ROI 层面的模式分解能够保留与分级相关的异质性，而这种异质性在全局均值池化过程中会被削弱。