DP MIL

Dual-Prototype Learning in Multiple Instance Learning for Histopathology Image Classification

data: CAMELYON16、TCGA-NSCLC、TCGA-BRCA、BRACS

Proceedings of the 33rd ACM International Conference on Multimedia 2025 · 论文

引言

分别学习描述常见组织特征的主原型与刻画困难样本的边界原型，并通过专用损失和动量更新降低原型偏差。

方法

（1）双原型：主原型描述一般组织，边界原型覆盖难判别样本。

（2）专用目标：以疏离、亲和及距离损失分别约束两类原型。

（3）动态更新：通过全局 token 筛选实例进行动量更新，并以难例细化边界原型。

实验

实验设置

前三者主要用 ResNet50，BRACS 用 ResNet18；另以 ViT-B/32 检验特征迁移，报告 ACC/AUC/F1。

主要结果

主要结果分别覆盖二分类和 BRACS 多分类；原型更新方式与双原型共同影响结果。

原文Table 1，PDF 第 6 页。

消融与讨论

比较主原型、边界原型、各自更新和三类损失，避免把双原型与简单增加原型数量混淆。

参考文献

Dual-Prototype Learning in Multiple Instance Learning for Histopathology Image Classification

Proceedings of the 33rd ACM International Conference on Multimedia 2025 · 论文