特征重新嵌入：迈向计算病理学基础模型级性能
内容提要
该文综述计算病理学中全切片图像分类的多示例学习方法，涵盖虚拟伪包双层MIL、Transformer MIL、RoFormer全自注意力、分层注意力引导MIL、双查询MIL、长上下文WSI及原型学习TPMIL等，旨在提升弱监督分类性能与泛化能力。
延伸解读
方法演进：从注意力到全自注意力
文章梳理了计算病理学中多示例学习（MIL）的演进路径：早期基于注意力的MIL通过虚拟伪包和双层框架扩大样本；随后Transformer MIL用自注意力替代学习注意力；RoFormer层进一步实现内存高效的全自注意力，解决实例间相关性和空间建模问题。这一趋势显示，模型正从局部注意力向全局自注意力发展，以更好地捕捉WSI中的长距离依赖。
资源效率：小算力下的定制化特征提取
文中提到，通过细化基础模型，仅需两小时或三天的单GPU训练，即可在特征提取上媲美或超越现有方法。这表明即使资源有限，也能针对特定下游任务训练定制特征提取器。对于缺乏大规模计算资源的研究者，这提供了一条可行路径，但需注意其性能可能依赖于基础模型的质量和任务匹配度。
弱监督分类的性能提升与泛化
多项方法在TCGA-NSCLC、BRACS和Camelyon16等公共数据集上取得领先结果，如RoFormer层、分层注意力引导MIL和双查询MIL。这些方法旨在提升弱监督分类的准确性和泛化能力。然而，文章未提供跨数据集泛化的统一评估，读者需关注不同方法在具体任务上的适用性，尤其是小区域形态特征的数据集。
应用拓展：从诊断到跨领域泛化
文章涵盖的应用不仅包括前列腺癌诊断和肿瘤亚型识别，还涉及利用尸检组织病理图像进行跨领域学习。例如，FPath框架在胎鼠和人体遗体图像上展示了最先进的准确性和泛化能力。这提示计算病理学方法正从单一诊断任务向更广泛的场景扩展，但实际部署仍需考虑数据差异和伦理因素。
Q&A
计算病理学中处理全切片图像分类的主要挑战是什么？
全切片图像（WSI）通常为千兆像素大小，深度学习在处理这种超大图像时仍存在重大挑战，例如实例间相关性和组织的空间建模问题。
虚拟伪包双层MIL框架是如何提升WSI分类性能的？
该框架通过引入虚拟伪包的概念并构建双层MIL来扩大样本数，同时在基于注意力的MIL框架下推导实例概率，从而显著优于最新方法，并可适用于更广泛的MIL应用。
RoFormer层在WSI分类中有什么作用？
RoFormer层是一种简单编码模块，采用内存高效的准确自注意力和相对位置编码，在大型和任意形状的WSI切块上进行全自注意力，解决了实例间相关性和组织的空间建模问题，在弱监督分类任务上优于最先进的MIL模型。
Hierarchical Attention-Guided MIL框架如何提高WSI分类性能？
该框架动态地、全面地发现WSIs多个分辨率上的显著区域，并使用Integrated Attention Transformer（由多个Integrated Attention Modules组成）进一步提高transformer的性能，在多个数据集上取得了最先进的表现。
双查询多示例学习（DQ-MIL）流水线有什么特点？
DQ-MIL是一种基于嵌入的双查询多示例学习流水线，使用动态元嵌入方法并将MIL-attention与相关自我关注相结合，在三个组织学数据集上实现了较高的性能。
长上下文WSI方法如何解决Transformer的计算复杂性问题？
该方法通过引入线性偏差处理形状变化的大WSI，并将其从1维长序列适应到2维长上下文WSI中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决Transformer的计算复杂性问题，保持了全自注意力的性能。
TPMIL框架在弱监督WSI分类中有什么优势？
TPMIL是一种基于原型学习和多实例学习的可训练原型增强深度MIL框架，用于弱监督下的WSI分类，不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。
FPath框架是如何进行组织病理图像分析的？
FPath框架利用自监督对比学习和上下文感知多实例学习的方法，从变焦比例下获取的尸检组织病理图像中学习鉴别性表示，并在大型数据库上取得了最先进的准确性及跨领域泛化能力。
