Mamba2MIL：基于状态空间对偶的计算病理学多实例学习

基于摘要分析。Mamba2MIL 面向计算病理学中全切片图像（WSI）的多实例学习（MIL），旨在改善多样特征融合及序列信息利用。方法结合状态空间对偶模型（SSD）、加权特征选择和适配不同 WSI 大小的序列变换，对长图像块序列进行建模；研究对象是病理图像分类，而非 EEG 或 BCI。 核心机制：SSD 用于处理 WSI 图像块构成的长序列，加权特征选择支持更多分支特征的融合，并允许按应用需求扩展。序列变换旨在增强与顺序无关的特征，同时保留局部序列信息。作者将现有 CNN、注意力及选择性扫描 SSM 框架在特征融合灵活性、可扩展性和顺序信息利用方面的限制作为改进动机，但摘要未给出分支构造、权重计算、变换操作、损失函数及训练细节。 作者报告，在多个数据集上几乎所有性能指标均有提升，并优于所比较的先进 MIL 方法。其中，NSCLC 数据集上的二分类肿瘤任务 AUC 为 0.9533、Accuracy 为 0.8794；BRACS 数据集上的多分类任务 AUC 为 0.7986、Accuracy 为 0.4981。摘要未说明数据划分、具体对照、AUC 汇总方式及统计不确定性，因此这些数值仅能作为各自任务下的报告结果，不能直接跨任务比较。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现完整性与复现条件尚未核对。 平台推测（待验证）：假设将带整体标签的 EEG 记录切分为窗口实例，长序列 MIL 与加权特征融合可能对应长记录聚合及多类窗口特征整合的瓶颈。可尝试复用 SSD 聚合与特征选择机制，但需改造实例编码及序列变换：病理图像块的空间顺序不等同于 EEG 的时间顺序，增强顺序无关特征可能破坏事件时序；低信噪比、通道差异、跨被试变化及小数据训练也可能使权重选择失稳。一个可检验的小实验是在固定 EEG 窗口特征和相同跨被试划分下，对比简单池化、SSD 聚合及加入序列变换的版本，核对聚合收益与时序损失。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。