Structured State Space Models for Multiple Instance Learning in Digital Pathology论文速读

Structured State Space Models for Multiple Instance Learning in Digital Pathology

摘要

多实例学习是组织病理学数据的理想分析模式，其中大量WSI通常使用单个全局标签进行注释。在这种情况下，整个载玻片图像被建模为要聚合和分类的组织斑块的集合。执行此分类的常见模型包括递归神经网络和转换器。尽管使用强大的压缩算法（例如深度预训练神经网络）来降低每个贴片的维数，但整个载玻片图像产生的序列仍然过长，通常包含数以万计的贴片。结构化状态空间模型是序列建模的一种新兴替代方案，专为长序列的高效建模而设计。这些模型调用输入序列的最佳投影到压缩整个序列的存储单元中
本文使用状态空间模型作为数字病理学中各种问题的多实例学习器
代码地址

方法

网络结构看起来还是比较简单的

简单学习一下 神经状态空间模型：这里的ut为连续时间处理中的输入信号，yt为连续时间处理的输出信号，xt为状态信号

在离散时间中：

这个神经网络状态空间搜索可以去网上在进一步了解一下

实验结果