MAP MIL
MAP-MIL: Dual-branch collaborative learning of mask enhancement and pseudo-bag generation for whole slide image classification
data: GastricCancerv2.0、CAMELYON16、TCGA-LUNG；MUSK1/2、Elephant
引言
让掩码增强分支和注意力引导的伪包分支协同学习，结合伪包间一致性约束，减少冗余实例并扩大训练样本多样性。
方法
（1）掩码分支：保留 Top-K 实例并随机遮蔽其他实例，减少冗余。
（2）伪包分支：按门控注意力构建多样训练子包。
（3）一致性目标：约束伪包间学习，使两分支协同优化。
原文Fig. 2，PDF 第 4 页。
实验
实验设置
比较不同编码器，包括 CTransPath，并额外在经典 MIL 数据上检验双分支结构。
主要结果
CTransPath 配置下 C16 的 ACC/AUC/F1 为 98.44%/99.40%/97.92%；不能与其他编码器结果混合引用。
消融与讨论
消融掩码分支、注意力引导伪包和包间一致性；内部胃癌集与公开任务的结果分别解释。
参考文献
MAP-MIL: Dual-branch collaborative learning of mask enhancement and pseudo-bag generation for whole slide image classification