基于提示的自适应模型转换用于大规模图像分类
内容提要
该研究提出了多种基于深度学习的弱监督全幻灯片图像分类方法，包括动态实例选择、双层多实例学习框架和多尺度特征融合，显著提高了肿瘤亚型识别的准确性和效率。实验结果表明，这些方法在多个数据集上表现优异，推动了医学图像分类的发展。
延伸解读
弱监督学习在病理图像分析中的核心地位
文章汇总的多项研究均围绕弱监督全幻灯片图像分类展开，即仅使用幻灯片级标签进行训练。TPMIL、双层多实例学习等框架表明，弱监督方法能够避免依赖精细的像素级标注，从而更贴近临床实际。这些工作通过原型学习、动态实例选择等策略，在降低标注成本的同时提升了肿瘤亚型识别的准确性，为病理AI的落地提供了可行路径。
多实例学习框架的演进与创新
从动态实例采样到虚拟pseudo-bags，再到双层MIL框架，文章展示了多实例学习在WSI分类中的持续改进。这些方法着力解决实例选择偏差和样本不足问题，并通过强化学习、注意力机制等提升特征聚合效果。例如，双层MIL通过扩大样本数显著优于最新方法，而TransMIL在多个数据集上取得了较高的AUC，体现了框架创新对性能的推动。
多尺度与长上下文处理的技术挑战
WSI具有多尺度和形状变化大的特点，文章中的MSPT和改良位置嵌入方法分别针对正负样本不平衡和长序列计算复杂度问题。MSPT通过多尺度原型Transformer融合特征，而长上下文方法引入线性偏差和闪存注意力，在保持全自注意力性能的同时处理二维长上下文。这些技术尝试缓解了Transformer在病理图像上的计算瓶颈，并提升了对未见位置的泛化能力。
Q&A
TPMIL框架的主要特点是什么？
TPMIL框架基于原型学习和多实例学习，能够在弱监督下进行WSI分类，准确识别肿瘤亚型，无需依赖选定的图像补丁。
动态实例选择方案是如何改进实例选择的？
动态实例选择方案通过集成动态实例采样和强化学习，优化了实例选择和特征聚合，提升了决策的可靠性。
多尺度原型Transformer（MSPT）如何解决样本不平衡问题？
MSPT通过多尺度特征融合模块有效缓解正负样本不平衡，并提升了多尺度信息的融合效果。
该研究在癌症检测中使用了哪些方法？
研究提出了基于病理先验的多实例学习框架，结合数据增强和空间相关性分析，有效用于癌症检测和亚型区分。
改良位置嵌入的长上下文WSI方法有什么创新？
该方法通过引入线性偏差处理形状变化，并利用闪存注意力模块解决计算复杂性，保持了全自注意力的性能。
实验结果如何验证这些方法的有效性？
实验结果表明，提出的方法在多个数据集上表现优异，推动了医学图像分类的发展。
