证据球：重塑病理影像少样本分类的证据检索范式
证据驱动的病理影像挑战
在数字病理学领域，整体切片成像（Whole Slide Image, WSI）的分类任务始终是一个核心且充满挑战的研究方向。与自然图像分类不同，WSI 的尺度极其巨大，单张切片往往包含数百万个像素，且蕴含的病理信息呈现出极其稀疏和结构化的特征。诊断线索并非均匀分布，而是以特定的形态结构、细胞浸润模式或分子标记物的形式，集中在组织的特定区域。这种“证据稀疏、空间有序、类别依赖”的本质，决定了 WSI 分类本质上是一个“寻找证据”的过程。
然而，现有的主流方法在面对少样本场景时，往往力不从心。传统的多实例学习（Multiple Instance Learning, MIL）方法倾向于将切片中的大量斑块特征压缩为一个全局代表性向量。这种做法在充足数据下或许尚可接受，但在少样本监督下，由于缺乏足够的切片级标签，模型难以学习到一个可靠的特征聚合机制。更关键的是，当全局表示试图同时承载“支持目标类别”的证据以及“排除其他竞争类别”的信息时，特征空间会变得拥挤且模糊，这不仅降低了分类的准确性，也牺牲了模型的可解释性。医生或研究人员很难从一个黑盒的全局向量中，直观地定位到底是哪些组织结构或细胞形态支撑了最终的诊断结论。
EviBall 框架的创新逻辑
针对上述痛点，研究者提出了 EviBall（Evidence Ball，证据球）框架。其核心创新不再盲目地聚合所有斑块，而是引入了“证据球”这一结构化的证据单元概念。EviBall 的工作流程可以概括为两个关键步骤：首先是组织与重塑，其次是检索与竞争。
在组织步骤中，EviBall 并不将斑块视为独立的实体，而是通过语义空间分配和中心细化的方法，将局部斑块组织成紧凑的“证据球”。每一个证据球在空间上都是连贯的，且在语义上与特定的病理类别高度相关。这种组织方式有效地解决了“证据分散”的问题，将稀疏的局部线索压缩成具有明确边界和语义意义的球体，便于后续的处理和分析。
在检索步骤中，EviBall 引入了任务特异性的类别查询机制。这与传统方法“万金油”式的全局聚合形成了鲜明对比。对于形态导向的任务，框架使用语言引导的查询，利用文本描述的丰富信息来定位相关的病理特征；而对于分子端点预测等任务，则使用分子引导的查询，聚焦于特定的生物标记物表达模式。这些类别查询如同一把把钥匙，专门用于在庞大的斑块数据库中检索出支持特定类别的“证据球”。随后，这些检索到的证据球会进行类别条件化的组合，生成专门针对每个候选类别的特征表示，从而实现直接的类别预测。
结构化证据与类别竞争的范式转移
EviBall 框架的提出，本质上是对 Few-shot WSI 分类问题的一次范式重构。传统方法试图从稀少的标签中学习一个通用的、未受约束的全局聚合机制，这在数据匮乏时非常脆弱。而 EviBall 则将问题转化为“结构化证据检索”与“候选类别竞争”的问题。
通过引入有序的证据球和任务相关的语义指引，模型不再需要从头学习如何组织证据，而是被引导去检索和比较。这种设计大大减少了对学习复杂全局聚合机制的依赖。在四个形态导向和分子端点的 WSI 任务上的广泛实验结果证明了这一策略的有效性。EviBall 在各类少样本设定下，均显著优于现有的传统 MIL 基线和视觉语言 MIL 基线，这意味着在标注成本极高的医疗场景下，它能够更高效地利用有限的数据资源。
性能与可解释性的双重突破
实验数据表明，EviBall 不仅在预测准确率上取得了优异成绩，在证据的空间定位与类别特异性方面也展现出了强大的能力。与许多仅关注最终分数的模型不同，EviBall 能够为每一次预测提供空间局限的证据支持。这意味着，当模型对某个诊断结果下达判决时，医生可以清晰地看到“是哪些组织区域、什么样的细胞结构”支撑了这个判断。这种可解释性在临床应用中具有不可估量的价值，它有助于建立医疗专业人员对 AI 辅助诊断工具的信任。
前瞻与思考
展望未来，EviBall 类型的证据检索框架有望在更广泛的医学影像任务中得到应用。随着多模态数据的普及，将病理影像与基因组学、临床病历等信息进一步结合，可能会诞生更加精细化的“证据球”组织方式。此外，如何在保证检索效率的同时，进一步提升证据球的语义精度，也是后续研究的方向。总之，EviBall 为解决 Few-shot WSI 类别不平衡、证据稀疏等长期困扰该领域的问题提供了一个 promising（有前景）的解决方案，它不仅推动了算法的进步，也为临床决策提供了更具说服力的数据支持。
END