StableMIL
StableMIL: Entropy-Stabilized Attention-Based Multiple Instance Learning for Morphologically Variable Whole Slide Images
data: TCGA-NSCLC、Kidney、BRACS；BRCA/KIRC/COAD/STAD/UCEC/BLCA 生存队列
引言
以熵稳定注意力应对不同切片 patch 数量差异，并处理不均匀坐标下的位置表示问题，提高形态变化场景中的聚合稳定性。
方法
（1）熵稳定：修正注意力对实例数量的敏感性。
（2）位置增强：以随机投影旋转位置编码处理不均匀坐标。
（3）确定性推理：测试阶段关闭随机变化，汇总为稳定切片表示。
原文Fig. 2，PDF 第 5 页。
实验
实验设置
TCGA 五折，BRACS 用官方测试；分类用 ACC/AUC/F1，生存使用疾病特异生存与 C-index。
主要结果
关键验证是不同 patch 数与非均匀坐标下的稳定聚合，需结合分组/长度实验和主表。
原文TABLE II，PDF 第 10 页。
消融与讨论
考察熵稳定注意力与随机投影旋转位置编码；训练重采样投影，推理取消随机投影以保持确定性。
参考文献
StableMIL: Entropy-Stabilized Attention-Based Multiple Instance Learning for Morphologically Variable Whole Slide Images