TOP
The Rise of AI Language Pathologists: Exploring Two-level Prompt Learning for Few-shot Weakly-supervised Whole Slide Image Classification
data: CAMELYON16、TCGA-Lung、内部宫颈癌数据
引言
TOP 研究少样本弱监督 WSI 分类：每类只有少量带标签的切片，切片中的 patch 又没有独立标签。方法利用语言先验缓解同时存在的样本不足和实例监督歧义。
方法
（1）实例级提示：借助 GPT-4 问答获得病理语言知识，将知识写入实例级文本提示，以 CLIP 对齐 patch 与描述。
（2）提示引导池化：利用实例与文本语义的对应关系聚合 patch，而不是只用固定平均或最大池化。
（3）包级提示：在切片表示上进行少样本提示学习；冻结 CLIP 权重，仅训练实例和包提示中的可学习 token。
实验
实验设置
比较每类 1、2、4、8、16 张带标签切片的设置，采用 CLIP 图像和文本编码器。不同 shot 下固定相同的标注包，重复五次训练并报告平均结果。比较 Mean/Max/Attention Linear Probe 与 CoOp 等适配基线。
主要结果
论文同时关注包分类与实例分类，但只有 CAMELYON16 具有实例真值，因此实例和包两级 AUC 仅在该数据上同时评价；肺癌与宫颈癌队列只评价包级 AUC。不同 shot 的结果应分别比较，不能把少样本实验解释成完整训练集下的常规 MIL 排名。
消融与讨论
需要区分实例级与包级语言先验、可学习 token 和提示引导聚合的作用。论文默认两层提示各使用 10 个可学习 token。语言模型用于提供先验，训练时并未完整微调 CLIP 或 GPT-4。
参考文献
Qu, Linhao et al. The Rise of AI Language Pathologists: Exploring Two-level Prompt Learning for Few-shot Weakly-supervised Whole Slide Image Classification. NeurIPS, 2023.
依据收藏 PDF 第 5 节实验设置与结果整理。收藏文件虽标记 TDP / 2024，正文对应 TOP / NeurIPS 2023；因此单独说明年份，不重复列入 2024 年论文。