SAM MIL
SAM-MIL: A Spatial Contextual Aware Multiple Instance Learning Approach for Whole Slide Image Classification
data: CAMELYON16、TCGA Lung Cancer
引言
用 Segment Anything 提取组织分组和空间上下文，再结合分组掩码、伪包增强及空间一致性约束，补充独立 patch 特征缺失的结构信息。
方法
（1）空间分组：以 SAM 分割得到组织区域，补充独立 patch 的全局结构信息。
（2）分组掩码：按不同分割类别调整遮蔽比例，并保留代表性分组特征。
（3）伪包一致性：分割实例为额外训练包，约束不同伪包的空间上下文一致。
原文Figure 2，PDF 第 4 页。
实验
实验设置
在相同任务下比较主流 MIL，并分别启用空间分组、分组掩码和伪包一致性。
主要结果
论文报告两个数据集 AUC 为 96.08% 和 96.01%；主要证据是空间上下文加入后的增益。
消融与讨论
用组件消融区分 SAM 上下文、掩码与伪包学习的贡献，避免把全部提升归于分割基础模型本身。
参考文献
SAM-MIL: A Spatial Contextual Aware Multiple Instance Learning Approach for Whole Slide Image Classification