iMIL
Interactive Multiple Instance Learning Network for Whole Slide Image Analysis
data: CAMELYON16、TCGA-LUNG
Expert Systems with Applications 2026 · 论文
引言
融合局部实例、全局切片和临床文本信息，以提示引导注意力和交互式细化反馈增强弱监督分类与区域定位。
方法
（1）MIAM：整合局部实例、全局切片及临床文本。
（2）PGAM：以可学习提示调整实例内和实例间注意力。
（3）IRM：通过多层特征与上下文反馈迭代细化表示和伪标签。
实验
实验设置
C16 使用 243/27/130 的训练/验证/测试切片；比较主流 MIL 与逐组件的交互式学习。
主要结果
主表中 iMIL 表现最好；作者指出 TCGA 中较大病灶占比与 C16 的稀疏病灶使任务难度不同。
原文Table 2，PDF 第 11 页。
消融与讨论
考察 MIAM、PGAM、IRM 对实例定位与切片分类的贡献，避免仅根据最终 AUC 推断文本使用是否有效。
参考文献
Interactive Multiple Instance Learning Network for Whole Slide Image Analysis
Expert Systems with Applications 2026 · 论文