SMMILe
SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning
data: 八个病理数据集，六类癌症，共 3,850 张 WSI
引言
通过 superpatch 和实例级聚合兼顾切片分类与空间定量，重点检查 MIL 是否能在保持分类能力时准确刻画病灶分布。
方法
（1）Superpatch：以更有组织的空间单元汇总实例。
（2）可度量实例聚合：使整片预测与区域贡献之间有明确联系。
（3）空间细化：结合实例丢弃、采样、细化网络与 MRF 约束。
原文Fig. 1，PDF 第 3 页。
实验
实验设置
同时评价切片预测与空间定量，比较 ImageNet 编码器及 CONCH；消融主要在 Lung/Renal-3/Prostate。
主要结果
基础模型特征使多个方法切片 AUC 接近饱和，因此本研究还单独检验空间预测，不能只凭切片分类判断定位。
消融与讨论
考察一致性、实例 dropout、离域采样、实例细化与 MRF；空间定量与整片分类分别报告。
参考文献
SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning