使用基础模型对溃疡性结肠炎进行弱监督多中心 Nancy 指数评分

溃疡性结肠炎 (UC) 活动的组织学评估是临床试验和常规护理中的重要终点，但使用 Nancy 组织学指数 (NHI) 等指标进行手动分级非常耗时，并且容易出现观察者变异。虽然计算病理学方法可以自动评分，但许多方法依赖于密集的区域级注释，而获得这些注释的成本很高，特别是在异质、多中心队列中。我们提出了一种针对整个幻灯片图像的弱监督多实例学习 (MIL) 方法，该方法利用基础模型从病例级和幻灯片级 NHI 标签中学习。我们的方法针对临床相关终点，包括中性粒细胞活性和派生的 Nancy-低/高分组，从而实现完整的五级 NHI 预测。在来自三家医院（2019-2025）的 H&E 染色结肠活检的多中心数据集上，我们评估了多个基础模型编码器和聚合策略。我们发现基础模型的选择和分辨率极大地影响性能，Virchow2 提供了最一致的增益，并且与分层门控基线相比，简单的集成规则改进了五级 NHI 预测。总体而言，我们的结果表明，具有现代基础模型表示的弱监督 MIL 可以在现实的多中心环境中提供稳健、可解释的 UC 组织学活动评估。