PLM SynNet
PLM-SynNet: A Pathology Large Model Synergy Network Based on Multi-Instance Learning for Whole Slide Imaging Classification
data: 内部 PCA-EPE、TCGA-CRC、BRIGHT
引言
以专家混合模块协同多个病理基础模型，生成并融合互补特征，再通过协同强化损失提升任务相关的信息增益。
方法
（1）多模型编码：从多个病理基础模型获得互补表征。
（2）PLM-SB：以 MoE 特征生成专家形成补充信息。
（3）SRLoss：共同约束查询与生成特征，增强协同带来的信息增益。
原文Fig. 2，PDF 第 5 页。
实验
实验设置
使用六种病理基础模型作为特征来源，并在统一条件下做五折及补充特征消融。
主要结果
PCA-EPE 的 Precision/Recall/F1/ACC 为 69.21%/64.25%/66.23%/76.11%，对应内部任务而非所有公开数据。
消融与讨论
比较直接多模型特征（NS）与生成补充特征的协同网络，以及协同强化损失；推理成本包含多个基础模型。
参考文献
PLM-SynNet: A Pathology Large Model Synergy Network Based on Multi-Instance Learning for Whole Slide Imaging Classification