MSMMIL
MSMMIL: Multi-scan Mamba-based Multiple Instance Learning for whole slide image classification
data: CAMELYON16、TCGA-Lung
引言
结合网格扫描、分层扫描和原始扫描，再以全局上下文注意力强化关键实例，兼顾长序列建模与组织空间连续性。
方法
（1）多扫描：组合原始、网格和分层三条序列。
（2）Mamba 更新：分别学习不同方向及层次的长序列关系。
（3）GCA：用轻量全局上下文注意力增强重要实例，再完成合并预测。
原文Fig. 2，PDF 第 4 页。
实验
实验设置
C16 官方训练部分再按 4:1 划分；TCGA 按 3:1:1 划分，patch 大小为 256×256。
主要结果
摘要报告 TCGA-Lung 与 C16 的 ACC/AUC 分别为 89.81%/95.44%、92.87%/96.41%。
消融与讨论
比较原始、网格、分层三种扫描的单用/组合，并在不加 GCA 时检验扫描策略本身。
参考文献
MSMMIL: Multi-scan Mamba-based Multiple Instance Learning for whole slide image classification