双向协同蒸馏多实例学习的肺癌图像分类方法

doi:10.11772/j.issn.1001-9081.2025080960

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (9): 3005-3016.DOI: 10.11772/j.issn.1001-9081.2025080960

• 多媒体计算与计算机仿真 • 上一篇

双向协同蒸馏多实例学习的肺癌图像分类方法

李锦昌¹, 贾伟¹^,²(), 赵雪芬¹^,²

^1.宁夏大学信息工程学院，银川 750021
^2.宁夏“东数西算”人工智能与信息安全重点实验室（宁夏大学），银川 750021

收稿日期:2025-08-22 修回日期:2025-12-17 接受日期:2026-01-04 发布日期:2026-02-12 出版日期:2026-09-10
通讯作者: 贾伟
作者简介:李锦昌（2000—），男，江西宜春人，硕士研究生，主要研究方向：医学图像处理与分析、计算病理学
贾伟（1980—），男，宁夏银川人，副教授，博士，CCF会员，主要研究方向：医学图像处理与分析、计算病理学
赵雪芬（1983—），女，宁夏隆德人，副教授，博士，主要研究方向：医学图像处理与分析。
基金资助:
宁夏自然科学基金资助项目(2024AAC03063)

Lung cancer image classification method via bidirectional collaborative distillation and multi-instance learning

Jinchang LI¹, Wei JIA¹^,²(), Xuefen ZHAO¹^,²

^1.School of Information Engineering，Ningxia University，Yinchuan Ningxia 750021，China
^2.Ningxia Key Laboratory of Artificial Intelligence and Information Security for Channeling Computing Resources from the East to the West （Ningxia University），Yinchuan Ningxia 750021，China

Received:2025-08-22 Revised:2025-12-17 Accepted:2026-01-04 Online:2026-02-12 Published:2026-09-10
Contact: Wei JIA
About author:LI Jinchang， born in 2000， M. S. candidate. His research interests include medical image processing and analysis， computational pathology.
JIA Wei， born in 1980， Ph. D.， associate professor. His research interests include medical image processing and analysis， computational pathology.
ZHAO Xuefen， born in 1983， Ph. D.， associate professor. Her research interests include medical image processing and analysis.
Supported by:
Natural Science Foundation of Ningxia(2024AAC03063)

摘要/Abstract

摘要：

针对现有的肺癌全切片图像（WSI）分类中，基于知识蒸馏架构的多实例学习（MIL）方法难以有效处理混杂的难分类和易分类实例，导致模型学习能力不足与性能不均衡的问题，结合多任务学习思想，提出一种双向协同蒸馏多实例学习的肺癌全切片图像分类方法（BCD-MIL）。首先，设计一种包括多学生模型与教师模型的双向协同蒸馏框架（BCDF），以满足肺癌病理图像中易分类与难分类病理实例的差异化学习需求，通过多个学生模型分担不同任务，增强模型的学习能力并解决性能不均衡的问题，同时，通过与教师模型的良性循环提升模型的分类性能；其次，设计一种多角度实例挖掘的并行结构（MA-IMP），以匹配肺癌病理特征在细胞形态和组织纹理等维度的异质性差异，通过从多个不同角度进行实例挖掘，避免单一角度造成的实例挖掘偏差；最后，提出一种动态阶段感知的指数移动平均蒸馏（DSA-EMA）算法，根据肺癌病理图像大规模实例训练的阶段特性，通过在训练阶段动态调整蒸馏参数，优化教师模型权重更新，提高训练效率与模型性能。实验结果表明，与同样基于知识蒸馏和实例挖掘的多实例学习方法的MHIM-MIL（MIL framework with Masked Hard Instance Mining）相比，BCD-MIL在TCGA（The Cancer Genome Atlas）和CPTAC（Clinical Proteomic Tumor Analysis Consortium）数据集上的曲线下面积（AUC）、准确率、F1-Score和召回率分别提升了1.92、2.37、3.43和1.75个百分点，以及1.11、6.29、6.94和12.85个百分点，验证了该方法的有效性；同时，轻量化的蒸馏架构降低了模型的参数规模与推理耗时，从而在保证性能提升的前提下实现了高效部署，为肺癌WSI分类提供了可靠依据。

关键词: 肺癌, 全切片图像分类, 多实例学习, 知识蒸馏, 实例挖掘

Abstract:

To address the issue in the existing Whole Slide Image （WSI） classification for lung cancer， where Multi-Instance Learning （MIL） methods based on knowledge distillation architecture struggle to handle the mixture of hard and easy instances effectively， leading to insufficient model learning capability and imbalanced performance， a lung cancer whole slide image classification method based on Bidirectional Collaborative Distillation and Multi-Instance Learning （BCD-MIL） was proposed by incorporating the concept of multi-task learning. First， a Bidirectional Collaborative Distillation Framework （BCDF） comprising multiple student models and a teacher model was designed， so as to satisfy the differentiated learning requirements for easy and hard pathological instances in lung cancer histopathological images， and by distributing different tasks to multiple student models， the model's learning capacity was enhanced while solving performance imbalance problem. Concurrently， classification performance was improved through a virtuous cycle with the teacher model. Second， a Multi-Angle Instance Mining Parallel architecture （MA-IMP） was designed to match the heterogeneous differences in lung cancer pathological features across dimensions such as cell morphology and tissue texture， and by conducting instance mining from multiple perspectives， the mining bias caused by a single perspective was avoided. Finally， a Dynamic Stage-Aware Exponential Moving Average distillation （DSA-EMA） algorithm was proposed to optimize weight update of the teacher model， and improve training efficiency and model performance based on the stage characteristics of large-scale instance training of lung cancer histopathological images through adjusting distillation parameters in the training phase dynamically. Experimental results show that compared to the MIL framework with Masked Hard Instance Mining （MHIM-MIL） method， which is also based on knowledge distillation and instance mining， BCD-MIL achieves improvements of 1.92， 2.37， 3.43， and 1.75 percentage points in Area Under Curve （AUC）， accuracy， F1-Score， and recall， respectively， on The Cancer Genome Atlas （TCGA） dataset， and improvements of 1.11， 6.29， 6.94， and 12.85 percentage points in four metrics， respectively， on the Clinical Proteomic Tumor Analysis Consortium （CPTAC） dataset； validating the effectiveness of the proposed method. Furthermore， the lightweight distillation architecture reduces model parameter size and inference time， thereby enabling efficient deployment while ensuring performance gains， and providing a reliable basis for lung cancer WSI classification.

Key words: lung cancer, Whole Slide Image (WSI) classification, Multi-Instance Learning (MIL), knowledge distillation, instance mining

中图分类号:

TP391.4

李锦昌, 贾伟, 赵雪芬. 双向协同蒸馏多实例学习的肺癌图像分类方法[J]. 计算机应用, 2026, 46(9): 3005-3016.

Jinchang LI, Wei JIA, Xuefen ZHAO. Lung cancer image classification method via bidirectional collaborative distillation and multi-instance learning[J]. Journal of Computer Applications, 2026, 46(9): 3005-3016.

图/表 14

图1 BCD-MIL的整体结构

Fig. 1 Overall structure of BCD-MIL

图2 两种知识蒸馏结构对比

Fig. 2 Comparison of two knowledge distillation structures

图3 FCM的结构

Fig. 3 Structure of FCM

图4 MA-IMP的结构

Fig. 4 Structure of MA-IMP

表1 数据集样本划分数量

Tab. 1 Dataset sample partitioning sizes

数据集	训练集样本数	测试集样本数	验证集样本数
TCGA	687	263	103
CPTAC	1 448	554	216

表2 TCGA数据集上损失权重因子参数的实验结果

Tab. 2 Experimental results of loss weight factor parameter on TCGA dataset

$η$	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%
0.9	97.45	93.86	93.14	91.46	94.28
0.8	97.01	90.43	89.83	93.80	86.15
0.7	96.95	91.23	89.01	85.77	93.19
0.5	96.65	89.02	89.31	92.29	86.09
0.3	95.51	88.10	87.01	93.13	82.04
0.1	93.34	87.05	84.84	87.86	83.89

表2 TCGA数据集上损失权重因子参数的实验结果

Tab. 2 Experimental results of loss weight factor parameter on TCGA dataset

$η$	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%
0.9	97.45	93.86	93.14	91.46	94.28
0.8	97.01	90.43	89.83	93.80	86.15
0.7	96.95	91.23	89.01	85.77	93.19
0.5	96.65	89.02	89.31	92.29	86.09
0.3	95.51	88.10	87.01	93.13	82.04
0.1	93.34	87.05	84.84	87.86	83.89

表3 CPTAC数据集上损失权重因子参数的实验结果

Tab. 3 Experimental results of loss weight factor parameter on CPTAC dataset

$η$	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%
0.9	97.34	92.46	92.78	93.87	92.10
0.8	97.16	90.16	91.41	92.98	90.26
0.7	96.78	89.48	90.08	92.54	88.00
0.5	95.54	85.14	86.53	91.69	81.46
0.3	94.71	86.45	84.86	92.67	79.02
0.1	91.09	81.44	80.01	87.31	75.44

表3 CPTAC数据集上损失权重因子参数的实验结果

Tab. 3 Experimental results of loss weight factor parameter on CPTAC dataset

$η$	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%
0.9	97.34	92.46	92.78	93.87	92.10
0.8	97.16	90.16	91.41	92.98	90.26
0.7	96.78	89.48	90.08	92.54	88.00
0.5	95.54	85.14	86.53	91.69	81.46
0.3	94.71	86.45	84.86	92.67	79.02
0.1	91.09	81.44	80.01	87.31	75.44

表4 在TCGA与CPTAC数据集上的性能对比实验结果 (%)

Tab. 4 Experimental results of performance comparison on TCGA and CPTAC datasets

方法	TCGA					CPTAC
方法	AUC	ACC	F1-Score	Precision	Recall	AUC	ACC	F1-Score	Precision	Recall
AB-MIL^［17］	93.17	88.03	87.41	86.92	87.52	93.48	86.63	86.69	91.84	82.49
DSMIL^［19］	94.68	89.32	90.37	91.62	87.83	94.78	84.90	86.51	92.43	80.54
CLAM-SB^［18］	93.67	87.74	87.36	87.07	88.25	94.55	82.82	82.28	91.98	74.73
CLAM-MB^［18］	93.69	88.73	88.28	88.42	88.74	94.60	85.48	86.78	84.73	88.93
TransMIL^［21］	92.51	87.08	86.40	86.53	87.62	96.77	90.14	90.77	92.10	89.52
DTFD-MIL^［24］	93.83	88.23	87.71	87.12	88.16	96.71	89.20	89.52	93.97	85.53
MHIM-MIL^［30］	95.53	91.49	89.71	90.53	89.84	96.23	86.17	85.84	95.13	79.25
MambaMIL^［22］	96.84	88.14	88.23	89.76	86.85	96.97	89.03	88.72	87.36	89.10
TKA-MIL^［25］	96.78	89.13	88.84	90.37	87.36	96.64	89.76	89.46	92.65	86.67
BCD-MIL	97.45	93.86	93.14	94.95	91.59	97.34	92.46	92.78	93.87	92.10

图5 TCGA与CPTAC数据集上的准确性对比实验的混淆矩阵对比

Fig. 5 Comparison of confusion matrices in accuracy comparison experiments on TCGA and CPTAC datasets

表5 TCGA与CPTAC数据集上的轻量化对比实验结果

Tab. 5 Lightweight comparison experimental results on TCGA and CPTAC datasets

方法	TCGA			CPTAC
方法	Para./10⁶	Time/ms	Mem./MB	Para./10⁶	Time/ms	Mem. /MB
AB-MIL^［17］	0.67	1.78	229.33	0.67	1.93	349.33
DSMIL^［19］	0.79	3.58	344.45	0.79	3.58	463.62
CLAM-SB^［18］	0.81	3.75	286.49	0.80	4.11	375.83
CLAM-MB^［18］	0.79	3.62	288.62	0.77	3.15	383.11
TransMIL^［21］	2.57	4.67	1 384.82	2.67	4.67	1 756.89
DTFD-MIL^［24］	0.98	1.68	213.26	0.96	2.60	329.33
MHIM-MIL^［30］	0.67	1.78	197.09	0.67	2.00	346.75
MambaMIL^［22］	1.48	2.47	687.98	1.53	2.56	958.64
TKA-MIL^［25］	0.81	1.89	267.43	0.82	2.13	390.82
BCD-MIL	0.67	1.77	195.10	0.67	1.89	344.45

表6 两个数据集上的消融实验结果 (%)

Tab. 6 Ablation experimental results on two datasets

基准	BCDF	FCM	DSA-EMA	TCGA					CPTAC
基准	BCDF	FCM	DSA-EMA	AUC	ACC	F1-Score	Precision	Recall	AUC	ACC	F1-Score	Precision	Recall
􀳫				94.68	89.32	90.37	91.62	87.83	95.37	87.03	87.56	90.28	86.58
􀳫	􀳫			96.23	89.85	90.04	91.67	88.53	96.30	88.46	88.79	93.40	85.03
􀳫		􀳫		95.83	90.05	89.84	92.67	88.46	95.92	87.23	87.65	92.75	83.72
􀳫	􀳫	􀳫		97.02	91.96	92.83	92.90	92.15	96.68	88.77	89.51	90.62	88.70
􀳫	􀳫		􀳫	96.55	91.88	91.74	91.94	90.67	96.24	87.67	87.98	93.01	84.11
􀳫		􀳫	􀳫	96.43	91.43	90.82	92.80	89.13	97.06	90.42	91.46	90.31	92.76
􀳫	􀳫	􀳫	􀳫	97.45	93.86	93.14	94.95	91.95	97.34	92.46	92.78	93.87	92.10

表7 屏蔽概率参数的实验结果

Tab. 7 Experimental results of masking probability parameter

$r a v g$	TCGA					CPTAC
$r a v g$	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%
0.442	96.33	92.64	92.45	93.52	91.21	96.58	91.26	91.57	92.33	90.66
0.484	97.45	93.86	93.14	94.95	91.59	97.34	92.46	92.78	93.87	92.10
0.539	96.18	92.52	92.63	93.46	91.51	96.86	91.33	91.65	92.42	90.79

表7 屏蔽概率参数的实验结果

Tab. 7 Experimental results of masking probability parameter

$r a v g$	TCGA					CPTAC
$r a v g$	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%	AUC/%	ACC/%	F1-Score/%	Precision/%	Recall/%
0.442	96.33	92.64	92.45	93.52	91.21	96.58	91.26	91.57	92.33	90.66
0.484	97.45	93.86	93.14	94.95	91.59	97.34	92.46	92.78	93.87	92.10
0.539	96.18	92.52	92.63	93.46	91.51	96.86	91.33	91.65	92.42	90.79

表8 MA-IMP机制与病理医生的判定一致性对比

Tab. 8 Comparison of consistency between MA-IMP mechanism and pathologist diagnosis

数据集	抽样数	Kappa系数	一致性
TCGA	150	0.80	高度一致
CPTAC	150	0.78	高度一致

图6 不同模型在两个数据集上的可视化结果

Fig. 6 Visualization results of different models on two datasets

参考文献 43

[1]	Siegel R L， Miller K D， Wagle N S， et al. Cancer statistics， 2023［J］. CA： A Cancer Journal for Clinicians， 2023， 73（1）： 17-48.
[2]	George J E， George P S， Krishna J K M， et al. Global trends in lung cancer incidence and mortality by age， gender and morphology and forecast： a bootstrap-based analysis ［J］. Lung Cancer， 2025， 205： No.108626.
[3]	Khuder S A. Effect of cigarette smoking on major histological types of lung cancer： a meta-analysis ［J］. Lung Cancer， 2001， 31（2/3）： 139-148.
[4]	Gao S， Li N， Wang S， et al. Lung cancer in People’s Republic of China ［J］. Journal of Thoracic Oncology， 2020， 15（10）： 1567-1576.
[5]	Han B， Zheng R， Zeng H， et al. Cancer incidence and mortality in China， 2022 ［J］. Journal of the National Cancer Center， 2024， 4（1）： 47-53.
[6]	Wang S， Zhao Y， Jha P， et al. Household air pollution and risk of incident lung cancer in urban China： a prospective cohort study ［J］. International Journal of Cancer， 2023， 153（9）： 1592-1601.
[7]	Zhuang J， Liu Z， Xiao R， et al. Association between smoking and environmental tobacco smoke with lung cancer risk： a case-control study in the Fujian Chinese population ［J］. Journal of Public Health， 2022， 30（8）： 2047-2057.
[8]	Evans A J， Brown R W， Bui M M， et al. Validating whole slide imaging systems for diagnostic purposes in pathology： guideline update from the College of American Pathologists in collaboration with the American Society for Clinical Pathology and the Association for Pathology Informatics ［J］. Archives of Pathology and Laboratory Medicine， 2022， 146（4）： 440-450.
[9]	Chen M， Liu X， Du J， et al. Differentiated regulation of immune-response related genes between LUAD and LUSC subtypes of lung cancers ［J］. Oncotarget， 2017， 8（1）： 133-144.
[10]	Sumon R I， Mazumdar M A I， Uddin S M I， et al. Exploring deep learning and machine learning techniques for histopathological image classification in lung cancer diagnosis ［C］// ICECET 2024. Piscataway： IEEE， 2024： 123-130.
[11]	Mohalder R D， Sarkar J P， Hossain K A， et al. A deep learning based approach to predict lung cancer from histopathological images ［C］// ICECIT 2021. Piscataway： IEEE， 2021： 1-4.
[12]	Maron O， Lozano-Pérez T. A framework for multiple-instance learning ［C］// NeurIPS 1997. Cambridge： MIT Press， 1997： 570-576.
[13]	Pantanowitz L， Sinard J H， Henricks W H， et al. Validating whole slide imaging for diagnostic purposes in pathology： guideline from the College of American Pathologists Pathology and Laboratory Quality Center ［J］. Archives of Pathology and Laboratory Medicine， 2013， 137（12）： 1710-1722.
[14]	Zarella M D， Bowman D， Aeffner F， et al. A practical guide to whole slide imaging： a white paper from the Digital Pathology Association ［J］. Archives of Pathology and Laboratory Medicine， 2019， 143（2）： 222-234.
[15]	Dietterich T， Lathrop R， Lozano-Pérez T. Solving the multiple instance problem with axis-parallel rectangles ［J］. Artificial Intelligence， 2001， 89（1/2）： 31-71.
[16]	Cheplygina V， de Bruijne M， Pluim J P W. Not-so-supervised： a survey of semi-supervised， multiple instance， and transfer learning in medical image analysis ［J］. Medical Image Analysis， 2019， 54： 280-296.
[17]	Ilse M， Tomczak J， Welling M. Attention-based deep multiple instance learning ［J］. Proceedings of Machine Learning Research， 2018， 80： 2127-2136.
[18]	Lu M Y， Williamson D F K， Chen T Y， et al. Data-efficient and weakly supervised computational pathology on whole-slide images［J］. Nature Biomedical Engineering， 2021， 5（6）： 555-570.
[19]	Li B， Li Y， Eliceiri K W， et al. Dual-stream multiple instance learning network for whole slide image classification with self-supervised contrastive learning ［C］// CVPR 2021. Piscataway： IEEE， 2021： 14313-14323.
[20]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[21]	Shao Z， Bian H， Chen Y， et al. TransMIL： Transformer based correlated multiple instance learning for whole slide image classification ［C］// NeurIPS 2021. Red Hook： Curran Associates Inc.， 2021： 1236-1247.
[22]	Yang S， Wang Y， Chen H. MambaMIL： enhancing long sequence modeling with sequence reordering in computational pathology ［PP/OL］. arXiv （2024-03-11）［2025-05-15］..
[23]	Gu A， Dao T. Mamba： linear-time sequence modeling with selective state spaces ［PP/OL］. V2. arXiv （2024-05-31）［2025-05-14］..
[24]	Zhang H， Meng Y， Zhao Y， et al. DTFD-MIL： double-tier feature distillation multiple instance learning for histopathology whole slide image classification ［C］// CVPR 2022. Piscataway： IEEE， 2022： 18780-18790.
[25]	Yu S， Chen X， Cao F， et al. TKA-MIL： top-k attention multiple instance learning for whole slide image classification and instance probability derivation ［C］// ICASSP 2025. Piscataway： IEEE， 2025： 1-5.
[26]	Hinton G， Vinyals O， Dean J， et al. Distilling the knowledge in a neural network［PP/OL］. arXiv （2015-03-09）［2025-05-13］..
[27]	Wu J， Fang L Y， Yue J. TAKD： target-aware knowledge distillation for remote sensing scene classification ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2024， 34（9）： 8188-8200.
[28]	Tisha F T， Alam M， Mishu S Z， et al. Deep reinforcement learning with mutual information for selecting bands in hyperspectral image classification ［C］// PEEIACON 2024. Piscataway： IEEE， 2024： 804-809.
[29]	Shen G， Shen Y， Riaz M N. Training deep face recognition for efficient inference by distillation and mutual learning ［C］// PIC 2018. Piscataway： IEEE， 2018： 38-43.
[30]	Tang W， Huang S， Zhang X， et al. Multiple instance learning framework with masked hard instance mining for whole slide image classification ［C］// ICCV 2023. Piscataway： IEEE， 2023： 4055-4064.
[31]	Keshvarikhojasteh H， Pluim J P W， Veta M. Multi-head attention-based deep multiple instance learning ［PP/OL］. arXiv （2024-04-08）［2025-05-15］..
[32]	Liu D， Li C， Hu X， et al. Dual-attention multiple instance learning framework for pathology whole-slide image classification［J］. Electronics， 2024， 13（22）： No.4445.
[33]	Lin T， Yu Z， Hu H， et al. Interventional bag multi-instance learning on whole-slide pathological images ［C］// CVPR 2023. Piscataway： IEEE， 2023： 19830-19839.
[34]	Do K， Le H， Nguyen D， et al. Momentum adversarial distillation： handling large distribution shifts in data-free knowledge distillation［C］// NeurIPS 2022. Red Hook： Curran Associates Inc.， 2022： 10055-10067.
[35]	Tian J， Lyu F. Parameter-selective continual test-time adaptation［C］// ACCV 2024， LNCS 15479. Singapore： Springer， 2025： 315-331.
[36]	吕君环，许柯，王东. 基于指数移动平均知识蒸馏的神经网络低比特量化方法［J］. 模式识别与人工智能， 2021， 34（12）： 1143-1151.
	Junhuan Lyu， Xu Ke， Wang Dong. Low-bit quantization of neural network based on exponential moving average knowledge distillation ［J］. Pattern Recognition and Artificial Intelligence， 2021， 34 （12）： 1143-1151.
[37]	Deng J， Dong W， Socher R， et al. ImageNet： a large-scale hierarchical image database ［C］// CVPR 2009. Piscataway： IEEE， 2009： 248-255.
[38]	He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］// CVPR 2016. Piscataway： IEEE， 2016： 770-778.
[39]	Kingma D P， Ba J L. Adam： a method for stochastic optimization［PP/OL］. V9. arXiv （2017-01-30）［2025-05-24］..
[40]	黄震华，杨顺志，林威，等. 知识蒸馏研究综述［J］. 计算机学报， 2022， 45（3）： 624-653.
	Huang Zhenhua， Yang Shunzhi， Lin Wei， et al. Knowledge distillation： a survey ［J］. Chinese Journal of Computers， 2022， 45（3）： 624-653.
[41]	邵仁荣，刘宇昂，张伟，等. 深度学习中知识蒸馏研究综述［J］. 计算机学报， 2022， 45（8）： 1638-1673.
	Shao Renrong， Liu Yuang， Zhang Wei， et al. A survey of knowledge distillation in deep learning ［J］. Chinese Journal of Computers， 2022， 45（8）： 1638-1673.
[42]	Xie Y， Liu Z， Zhao J， et al. PHIM-MIL： multiple instance learning with prototype similarity-guided feature fusion and hard instance mining for whole slide image classification ［J］. Information Fusion， 2025， 117： No.102847.
[43]	Martín Andrés A， Álvarez Hernández M. Estimators of various kappa coefficients based on the unbiased estimator of the expected index of agreements ［J］. Advances in Data Analysis and Classification， 2025， 19（1）： 177-207.

双向协同蒸馏多实例学习的肺癌图像分类方法

Lung cancer image classification method via bidirectional collaborative distillation and multi-instance learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 43

相关文章 15

编辑推荐

Metrics

[1]	张悦岚, 苏静, 赵航宇, 杨白利. 基于知识感知与交互的多视图蒸馏推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2211-2220.
[2]	牛四杰, 刘昱良. 基于知识蒸馏双分支结构的视网膜病变辅助诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1410-1414.
[3]	杨晟, 李岩. 面向目标检测的对比知识蒸馏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 354-361.
[4]	王虎, 王晓峰, 李可, 马云洁. 融合多头自注意力的标签语义嵌入联邦类增量学习方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3083-3090.
[5]	宋鹏程, 郭立君, 张荣. 利用局部-全局时间依赖的弱监督视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 240-246.
[6]	贾洁茹, 杨建超, 张硕蕊, 闫涛, 陈斌. 基于自蒸馏视觉Transformer的无监督行人重识别[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2893-2902.
[7]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[8]	朱子蒙, 李志新, 郇战, 陈瑛, 梁久祯. 基于三元中心引导的弱监督视频异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1452-1457.
[9]	李雪, 姚光乐, 王洪辉, 李军, 周皓然, 叶绍泽. 基于样本增量学习的遥感影像分类[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 732-736.
[10]	黄雨鑫, 黄贻望, 黄辉. 基于浅层网络预测的元标签校正方法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3364-3370.
[11]	赵旭剑, 李杭霖. 基于混合机制的深度神经网络压缩算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2686-2691.
[12]	姬张建, 张明, 王子龙. 基于改进VarifocalNet的高精度目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2147-2154.
[13]	贺怀清, 闫建青, 惠康华. 基于深度残差网络的轻量级人脸识别方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2030-2036.
[14]	任炜, 白鹤翔. 基于全局与局部标签关系的多标签图像分类方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1383-1390.
[15]	顾军华, 樊帅, 李宁宁, 张素琪. 基于知识图偏好注意力网络的长短期推荐模型及其更新方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1079-1086.