CIB MIL
Collaborative instance-level and bag-level multiple instance learning with label disambiguation for whole slide image analysis
data: 三个公开、两个内部 WSI 数据集；另有 EGFR IHC 对照
引言
在实例级通道进行伪标签消歧，再让实例伪监督与包级注意力互相传递信息，联合优化细粒度预测和切片聚合。
方法
（1）实例通道：以噪声标签学习修正实例伪标签。
（2）包级通道：注意力聚合提供切片监督。
（3）协同更新：原型和置信库与注意力互相校正，减少两通道各自偏差。
原文Fig. 1，PDF 第 2 页。
实验
实验设置
比较实例/包监督与标签消歧，另用两位盲评病理专家评分的 IHC 图检验热图。
主要结果
加入标签消歧的 AUC 增益范围为 0.91–5.63 个百分点；IHC 对照是另外的定位/生物学证据。
消融与讨论
消融标签消歧与 Transformer backbone，检查原型、置信库的动量更新与直接继承包标签的区别。
参考文献
Collaborative instance-level and bag-level multiple instance learning with label disambiguation for whole slide image analysis