AnomExpert：无需平面标注的产前超声异常诊断原型选择框架
本文提出AnomExpert，针对产前超声多实例学习（MIL）中混合异构图像、缺乏平面语义的问题。方法通过可学习的Plane Prototype将无序图像组织为潜在解剖平面，并利用Disease-aware sparse selection机制为每种异常选择相关平面进行聚合。实验在多中心数据集上验证，Accuracy达86.9%，AUC 97.9%，显著优于AttentionMIL、TransMIL等基线。需注意依赖ViT骨干及超参数敏感性。