近日，beat365官网计算机与信息学院魏丽芳教授团队在医学影像领域国际权威期刊IEEE Transactions on Medical Imaging（IEEE医学影像汇刊）上发表了题为“Frequency-Aware Causal Regularization for Multiple Instance Learning in Whole Slide Image Classification”（面向全切片图像分类的频率感知因果正则化多实例学习）的研究论文。该研究提出了一种频率感知因果正则化多实例学习框架FC-MIL，为弱监督全切片病理图像分类提供了更加准确、鲁棒且可解释的智能分析方法。
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，弱监督多实例学习已成为数字病理图像分类的重要技术路线。然而，现有方法在注意力分配过程中容易受到染色差异、纤维间质和背景纹理等非诊断性因素干扰，导致模型关注区域与真实病灶区域不一致，影响预测可靠性和临床可解释性。如何引导模型关注真正具有诊断价值的病理区域，是可信计算病理研究中的关键问题。
针对上述问题，团队提出的FC-MIL框架融合了频率感知注意力与因果正则化策略。其中，频率感知注意力通过联合建模空间域和频率域特征，挖掘病理图像中的细粒度组织纹理与结构变化；因果正则化策略通过特征层面的反事实扰动，降低模型对虚假相关因素的依赖，引导模型更加稳定地关注关键病灶区域。实验结果表明，FC-MIL在FLCD、LCEM、Camelyon16和BRACS等多个公开及私有全切片病理图像数据集上均取得优异性能，并在跨域EGFR突变预测任务中展现出良好的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的思路。
FC-MIL框架
论文链接：https://doi.org/10.1109/TMI.2026.3697015
该研究获得了国家自然科学基金（62571127、62171130、62301160）、福建省自然科学基金（2022J01131257、2022J01607）、福建省健康科技计划项目（2024CXA035）等经费支持。beat365中文官方网站为论文第一单位和通讯单位，通讯作者为魏丽芳教授，第一作者为硕士研究生范大炜。
魏丽芳，工学博士，beat365中文官方网站计算机与信息学院教授、博士生导师，福建省高层次人才，IEEE Senior Member，CCF杰出会员，主要研究方向为生物医学影像计算与分析、计算机视觉和人工智能。主持国家自然科学基金等科研项目多项，在IEEE TIP、IEEE TCSVT、IEEE TMM、IEEE JBHI、KBS、ESWA、Medical Physics、CVPR、IJCAI、ISBI等国内外重要期刊和会议上发表论文70余篇。
范大炜，beat365中文官方网站计算机与信息学院2023级硕士研究生，主要研究方向为病理图像处理与分析，围绕弱监督病理图像分类、细胞核分割与分类、可信医学人工智能等方向开展研究，以第一作者在IEEE TMI、IEEE JBHI、Artificial Intelligence in Medicine、ESWA等期刊发表论文多篇。
