DSPA MIL
Dual Selective Gleason Pattern-Aware Multiple Instance Learning for Grade Group Prediction in Histopathology Images
data: Karolinska、Radboud、TCGA-PRAD、SICAPv2、Zurich/Vancouver TMA
引言
引入 Gleason Pattern 专家概念，通过双选择实例聚合和师生蒸馏预测患者级 Grade Group，显式利用不同组织模式的共同贡献。
方法
（1）模式 token：用不同学习式聚合 token 描述 Gleason Patterns。
（2）专家概念：根据实例与病理概念的相似度形成另一组模式表示。
（3）知识蒸馏：由教师的模式知识指导学生预测患者 Grade Group。
原文Fig. 1，PDF 第 4 页。
实验
实验设置
以 QWK 为主要指标、AUC 为辅助；训练部分五折，AdamW、50 epochs 与早停，兼顾 WSI/TMA 外测。
主要结果
Grade Group 的顺序一致性由 QWK 体现，不能只用分类 AUC 概括；不同来源与不同基线的提升幅度不同。
原文Table 2，PDF 第 8 页。
消融与讨论
比较学习式 GP token、专家概念聚合和蒸馏；会议版与后续 DSPA-U-MIL 扩展版分别归档。
参考文献
Dual Selective Gleason Pattern-Aware Multiple Instance Learning for Grade Group Prediction in Histopathology Images