TDA MIL
Top-Down Attention-based Multiple Instance Learning for Whole Slide Image Analysis
data: CAMELYON17、TCGA-CRC、CPTAC-COAD、TCGA-STAD、TCGA-UCEC、TCGA-BRCA
引言
先用自注意力获得通用表示，再筛选任务相关实例并回注注意力进行第二轮推理，增强对细微病灶和分子状态线索的关注。
方法
（1）首次推理：自注意力学习通用实例关系。
（2）任务筛选：从首轮表示中选出与目标任务相关的实例。
（3）回注推理：将选中实例再送入注意力，使第二轮聚焦任务细节。
原文Fig. 1，PDF 第 3 页。
实验
实验设置
分别评估转移检测、MSI 和 HER2；用 AUROC 与平衡 ACC，病例分层交叉验证。
主要结果
不同任务合并时保留各自阳性比例；例如 CAMELYON17 二分类有 182 阳性、318 阴性。
原文Table 1，PDF 第 6 页。
消融与讨论
比较特征选择替代为实例注意力、去掉 top-down 回注等配置，分析二次推理的任务针对性。
参考文献
Top-Down Attention-based Multiple Instance Learning for Whole Slide Image Analysis