门控注意力多实例学习在无需逐细胞标注下实现多中心宫颈细胞学全片分诊，MobileNetV2 达 90.96% 准确率、Xception 在域外达 80.43% 平衡准确率
核心概要
该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。
深度剖析
提出一个仅依赖切片级标签的弱监督、免检测 MIL 分诊框架，用门控注意力池化替代单细胞检测与像素级标注。 相对依赖单细胞边界框或像素级标注的既有路线，该框架把全片图像当作局部实例块的“包”，由双分支门控网络动态分配非线性注意力权重，突出孤立异型细胞并抑制良性背景与碎片。 证据来自摘要所述的多中心评估设置：内部数据集 SIPaKMeD、Herlev、CRIC 与域外 Mendeley LBC 验证队列，且明确说明无需密集实例标签。
该注意力机制针对高级别病变的“大海捞针”问题给出可操作的解决路径。 摘要将“大海捞针”明确归因于高级别病变中孤立异型细胞稀少，并称门控注意力通过非线性权重分配成功应对这一问题。 属于摘要层面的机制性陈述，未在可见文本中给出注意力可视化或消融的定量细节。
架构比较揭示骨干容量与泛化之间的权衡：轻量骨干优化同分布准确率，高容量模型优化域外稳健性。 摘要给出具体对照：MobileNetV2 在同分布多中心准确率上达 90.96% 准确率与 0.9800 ROC-AUC，Xception 在域移下域外平衡准确率为 80.43%。 证据为摘要报告的两个具体指标组合，分别对应同分布与域外两种评估条件。
域外验证队列通过无监督标记控制分水岭流程处理，说明流程不依赖该队列的密集标注。 Mendeley LBC 被描述为未标注、域外的验证队列，其处理走无监督分水岭管线，从而在无实例标签条件下检验泛化。 证据为摘要中对验证队列属性与预处理方式的说明，未给出该队列的样本量或分层细节。
启示与展望
该结果面向的是切片级分诊场景：输入为整张宫颈细胞学全片图像，监督信号仅为切片级标签，适用于缺乏单细胞边界框或像素级标注、且希望以较低专家开销完成初筛的实验室与筛查项目。摘要所述评估覆盖内部多中心队列（SIPaKMeD、Herlev、CRIC）与域外 Mendeley LBC 验证队列，后者经无监督标记控制分水岭流程处理，因此该框架的定位是在无密集实例标签条件下提供可扩展的分诊能力，而非替代细胞病理医师的最终诊断。对希望复用该管线的读者，其价值在于把标注成本从细胞级降到切片级，并给出骨干选择上的明确取舍依据。
当前可见文本为不完整的摘要与作者声明，未包含正文、图表与补充材料，因此若干关键问题仍待原文回答：内部三个数据集与域外 Mendeley LBC 队列各自的样本量与病例构成如何；90.96% 准确率与 0.9800 ROC-AUC 是在何种划分与阈值下取得；80.43% 平衡准确率对应的域移具体来自染色、扫描仪还是人群差异；门控注意力权重是否经过可视化或消融验证其确实聚焦孤立异型细胞；无监督分水岭预处理对分割误差的敏感度如何。此外，摘要未报告前瞻性临床验证或与细胞病理医师读片的头对头比较，因此从分诊性能到临床工作流收益之间仍存在需要后续研究填补的环节。