PCR MIL
PCR-MIL: Phenotype Clustering Reinforced Multiple Instance Learning for Whole Slide Image Classification
data: BRACS、CRC-DX
引言
用表型聚类构建更可靠的伪包，并以 Grad-CAM 选择相关实例，再通过强化学习优化特征提取器，减少伪标签噪声。
方法
（1）表型聚类：把不同组织模式的实例分配到较可靠的伪包。
（2）Grad-CAM 选择：寻找与正类有关的实例嵌入。
（3）强化编码器：利用较干净伪包优化特征提取器。
原文Fig. 4，PDF 第 5 页。
实验
实验设置
本文将 BRACS 处理为浸润性癌与非浸润病例的二分类，区别于常见三分类设置。
主要结果
BRACS 的 ACC/AUC 均为 100%，与 DSMIL 持平；CRC-DX 的 ACC/AUC 为 84.57%/84.12%。
原文Table 1，PDF 第 7 页。
消融与讨论
消融表型聚类选特征与强化学习编码器；不把小任务满分外推到原始完整 BRACS 分级。
参考文献
PCR-MIL: Phenotype Clustering Reinforced Multiple Instance Learning for Whole Slide Image Classification