无需人工标注，多实例学习实现癌症登记肿瘤分类

背景

癌症登记机构在现代公共卫生中承担着关键数据管理职能，其日常操作包括对病理报告进行编码和分类，这类工作高度依赖人工专家，费时费力。深度学习为自动化这些流程带来了新的可能，但最直接的瓶颈在于——病理报告级别的人工标注数据极度稀缺。与此同时，癌症登记机构在其运营过程中会自然产生大量专家分配的标签，但这些标签是患者级别的（即一个患者可能对应多份报告，标签只记录最终诊断分类），而且并未与具体哪份病理报告相关联。这种“丢失了来源”（lost provenance）的标签无法直接用于训练报告级的分类模型。如何在不需要额外人工标注的情况下，利用这些现成的、但噪声较大的患者级标签来训练高性能的分类器，成为本研究的核心问题。

核心内容

本研究开发了一种高效的深度学习框架，利用运营过程中自动产生的标签（而非每份报告的人工标注）来训练分类器。该框架在不列颠哥伦比亚癌症登记局（BC Cancer Registry）的肿瘤组分类任务上进行了验证，使用的核心方法是基于注意力的多实例学习（Attention-Based Multiple Instance Learning, ABMIL）。

传统多实例学习（MIL）中，训练数据以“包”（bag）的形式给出，每个包包含多个实例（本例中即一个患者的多份病理报告），且只有包的标签已知（患者级诊断）。ABMIL 通过可训练的注意力机制，自动为包中的每个实例分配权重，学习哪些报告对最终标签贡献最大。这样便能够“恢复”患者级标签与具体报告之间的丢失链接——即从嘈杂的患者级标签中，推断出每份报告最可能对应的正确类别。

具体流程为：

1. 利用现成的患者级标签（多为历史积累的行政数据）训练初始的 ABMIL 模型；
2. 通过该模型的注意力分数，筛选出每个包中注意力得分高的报告，推测这些报告可信度较高；
3. 将这些高置信度的报告及其推测标签组成一个紧凑、高质量的报告级训练数据集（这个过程称为“蒸馏”）；
4. 使用这个蒸馏后的干净数据集，微调一个独立的分类器。

实验结果表明，基于蒸馏数据集微调的分类器取得了 宏平均 F1 分数（macro F1）0.83，在多数肿瘤组上超越了已有基线方法。ABMIL 无需额外的人工标注或大规模计算基础设施，仅利用常规运营产生的标签即可实现可比的自动分类性能。

关键要点

• 问题本质：癌症登记机构拥有大量患者级标签，但缺乏报告级人工标注，且标签与报告之间的链接“丢失”。
• 核心方法：采用 Attention-Based Multiple Instance Learning（ABMIL），通过注意力机制自动学习每份报告对患者级标签的贡献，恢复报告与标签的对应关系。
• 数据蒸馏：利用 ABMIL 的注意力分数，从大规模、噪声标签的语料中筛选出高置信度的报告及其标签，构建紧凑、高质量的训练集。
• 性能成果：在 BC Cancer Registry 的肿瘤组分类任务上，蒸馏后微调的模型 macro F1 达到 0.83，在绝大多数肿瘤组上优于传统基线。
• 资源需求低：无需额外人工标注，无需大规模算力，仅使用机构常规操作中产生的标即可训练。
• 通用性：该方法不局限于特定癌症登记机构，可推广至其他存在类似“包级别标签但实例级别未知”场景的医疗文本分类任务。

意义与影响

ABMIL 为癌症登记工作流程的自动化提供了一条务实且可及的路径。它表明：深度学习的应用不必受制于昂贵的人工标注，而是可以充分挖掘现有运营数据中的价值。这一方法能够显著降低实施自动分类的门槛——机构无需改变现有数据采集流程，也无需建立高端的计算集群，即可将患者级历史标签转化为高质量的训练信号。

对公共卫生数据领域而言，该研究打通了从行政数据到监督学习的桥梁。类似“丢失来源”的问题在肿瘤登记、病历编码、影像随访等场景中普遍存在，ABMIL 的注意力蒸馏策略有望成为一种范式，推动更多以运营数据驱动的医疗 AI 应用落地。此外，模型的高性能（macro F1 0.83）表明，即使标签-报告链接丢失，仍可通过智能的注意力机制获得接近完全监督训练的效果，这为资源有限的医疗信息系统中引入 AI 提供了可行验证。