AGKD
Attention-Guided Knowledge Distillation based Deep Multiple Instance Learning for Gigapixel Whole Slide Image Analysis
data: TCGA-STAD、CAMELYON16、内部 HCC
引言
以知识蒸馏降低包标签噪声，通过注意力语义一致性损失对齐注意力和预测，再结合细胞、patch 关系模块增强多尺度表征。
方法
（1）软目标蒸馏：减轻直接使用噪声包标签的影响。
（2）语义一致性：使注意力分配与包预测方向相符。
（3）多层关系：通过细胞和 patch 关系模块增强教师，再指导学生。
原文Figure 1，PDF 第 15 页。
实验
实验设置
STAD 按受试者 60:20:20，C16 按切片 60:20:20，HCC 按切片 80:10:10 划分；以 MRAN 为基础比较。
主要结果
主表比较胃癌、淋巴结转移和 HCC 早复发相关分类；三种数据的划分和预测对象不同。
原文Table 2，PDF 第 27 页。
消融与讨论
分别检验软目标、注意力语义一致性损失和细胞/patch 关系模块，避免把所有增益笼统归因于知识蒸馏。
参考文献
Attention-Guided Knowledge Distillation based Deep Multiple Instance Learning for Gigapixel Whole Slide Image Analysis