RetMIL
RetMIL: Retentive Multiple Instance Learning for Histopathological Whole Slide Image Classification
data: CAMELYON16→CAMELYON17、BRACS、TCGA/内部 LUNG
MICCAI 2024 · 论文
引言
以分层结构处理切片：局部子序列通过并行 retention 更新，全局序列通过串行 retention 融合，再用注意力池化获得切片表示。
方法
（1）局部 retention：先把长序列拆成子序列，进行并行线性更新。
（2）子序列聚合：用注意力形成各局部片段表示。
（3）全局 retention：串行整合子序列，再以全局池化输出 WSI 预测。
原文Fig. 1，PDF 第 3 页。
实验
实验设置
CAMELYON16 做四折并外测 CAMELYON17；BRACS 保留官方 395/65/87 划分，重复四组初始化。
主要结果
相对次优基线，CAMELYON 的 F1/平衡 ACC 增益为 3.18/3.43 个百分点；同时报告长序列推理开销。
消融与讨论
比较局部/全局 retention 和不同序列长度；内部 LUNG 外测与公开数据划分分别记录。
参考文献
RetMIL: Retentive Multiple Instance Learning for Histopathological Whole Slide Image Classification
MICCAI 2024 · 论文