Dual HG
Dual-Level Hypergraph Generation for Addressing Feature Scarcity in Whole-Slide Image Classification
data: 内部 NIMM、TCGA-NSCLC、TCGA-RCC
引言
在超图级使用提示引导的变分生成，在节点级使用锚点扩散 Mixup，补充稀缺类别特征，用于淋巴结转移等不平衡分类。
方法
（1）提示超图生成：用类别先验引导分层超图变分自编码器。
（2）锚点扩散：围绕高注意力阳性节点生成和混合特征。
（3）双层补充：同时缓解少数类拓扑结构和节点表征不足。
原文Figure 1，PDF 第 1 页。
实验
实验设置
NIMM 含 629 张切片，其中 ITC 40、微转移 76；按 4:3:3 划分，TCGA 另做少样本实验。
主要结果
主要关注 ITC/微转移少数类，而非只看总体准确率；NIMM 与 TCGA few-shot 为不同评估条件。
消融与讨论
分别检验超图级变分生成和节点级扩散 Mixup，观察高阶结构及特征补充的贡献。
参考文献
Dual-Level Hypergraph Generation for Addressing Feature Scarcity in Whole-Slide Image Classification