DGR MIL
DGR-MIL: Exploring Diverse Global Representation in Multiple Instance Learning for Whole Slide Image Classification
data: CAMELYON16、TCGA-NSCLC
引言
用多个全局向量通过交叉注意力概括切片，再结合阳性实例对齐和行列式点过程约束，鼓励全局表示之间的多样性。
方法
（1）全局向量：用一组可学习向量概括切片中不同组织模式。
（2）交叉注意力：让全局向量从全部实例中提取对应信息。
（3）多样性约束：结合阳性实例对齐与行列式点过程，防止全局向量趋同。
原文Fig. 2，PDF 第 5 页。
实验
实验设置
CAMELYON16 训练/验证为 9:1，重复五次；TCGA 按患者 65:10:25 划分并做四折评估，比较三类特征编码方式。
主要结果
ResNet50 特征下，相对次优方法的 AUC 增益分别为 1.1、1.7 个百分点；不同编码器结果需分开读。
原文Table 1，PDF 第 12 页。
消融与讨论
消融阳性实例对齐和多样性损失，分析全局向量个数及损失权重。
参考文献
DGR-MIL: Exploring Diverse Global Representation in Multiple Instance Learning for Whole Slide Image Classification