DPBAug
Disentangled Pseudo-bag Augmentation for Whole Slide Image Multiple Instance Learning
data: CAMELYON16、CAMELYON17、TCGA-NSCLC、TCGA-BRCA
引言
通过表型划分和有放回采样构建切片内伪包，再跨切片融合并以记忆模块更新优质伪包，提高增强样本的标签可靠性。
方法
（1）表型伪包：先分离异质组织，再有放回采样以改善标签继承。
（2）跨片融合：用不同 WSI 的互补伪包形成更丰富的训练样本。
（3）记忆更新：优先保留高价值合成包，提高增强质量。
原文Fig. 1，PDF 第 2 页。
实验
实验设置
20× 处理，十次 Monte Carlo；C16 保留官方测试集，TCGA 按病例 8:1:1 划分，并对 C17 外测。
主要结果
对比不同伪包增强与多个 MIL 基线，主要评价 ACC/AUC/F1 及总体提升；增强与聚合器收益应分开。
消融与讨论
分析表型划分、有放回抽样、跨切片融合和记忆更新，并考察标签可靠性及数据效率。
参考文献
Disentangled Pseudo-bag Augmentation for Whole Slide Image Multiple Instance Learning