福建农林大学硕士生第一作者在一区Top期刊发表研究成果

背景：全切片病理图像具有分辨率高、病灶区域稀疏、人工标注成本高等特点，弱监督多实例学习是重要的技术路线，但现有方法在注意力分配中易受染色差异、纤维间质等非诊断性因素干扰。研究目的：针对模型关注区域与真实病灶区域不一致的问题，提出频率感知因果正则化多实例学习框架FC-MIL，引导模型关注真正具有诊断价值的病理区域。结论：FC-MIL通过融合频率感知注意力与因果正则化策略，在多个公开及私有数据集上取得优异性能，在跨域EGFR突变预测任务中展现出良好泛化能力和临床可解释性，为构建可信、鲁棒的计算病理智能诊断模型提供了新思路。