DSPA U MIL
Dual selective gleason pattern-aware multiple instance learning with uncertainty regularization for grade group prediction in histopathology images
data: Karolinska、Radboud、TCGA-PRAD、SICAPv2、Zurich/Vancouver
引言
在双选择 Gleason Pattern 聚合和师生蒸馏基础上增加不确定性约束，减轻标签噪声对患者级 Grade Group 预测的影响。
方法
（1）选择式模式 token：更合理地表示不同 Gleason Patterns。
（2）正交分解：增强模式表征之间的区分。
（3）EDL 正则与蒸馏：降低标签噪声并保持专家概念引导的患者分级。
原文Fig. 3，PDF 第 5 页。
实验
实验设置
同时含 WSI 和 TMA，以 QWK 为主；比较会议版和加入扩展模块后的分级。
主要结果
Radboud 与 Vancouver 的损失权重改变会明显影响 QWK，不能把单一默认权重视为跨来源通用最优。
原文Table 2，PDF 第 10 页。
消融与讨论
新增选择式 GP token、正交分解约束和 EDL 不确定性正则；与 DSPA-MIL 的区别不只是一项正则。
参考文献
Dual selective gleason pattern-aware multiple instance learning with uncertainty regularization for grade group prediction in histopathology images