PseMix
Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image Classification
data: TCGA-BRCA、TCGA-LUNG、TCGA-RCC，共 2,740 张切片
引言
通过伪包解决 WSI Mixup 中的大小和语义对齐问题，生成额外训练样本，改善数据不足时的泛化及对遮挡、标签噪声的鲁棒性。
方法
（1）伪包划分：按表型与实例组成把切片拆分成可混合单元。
（2）包级混合：借助伪包实现不同原始包之间的大小对齐。
（3）目标混合：使用与输入混合相匹配的监督，保持语义比例一致。
原文Fig. 2，PDF 第 2 页。
实验
实验设置
在多种 MIL 聚合器上比较增强前后性能，并测试 patch 遮挡、标签噪声与特殊测试分布。
主要结果
证据重点是伪包增强的可组合性与泛化，而不是发明新的聚合器；分类与鲁棒性结果需要分别阅读。
消融与讨论
比较表型划分、伪包大小和混合策略，检验大小对齐与语义对齐两个必要条件。
参考文献
Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image Classification