PathMamba：用于病理图像多类别分割的弱监督状态空间模型

基于摘要分析。该研究针对病理图像多类别分割中密集像素标注成本高的问题，提出仅使用图像级标签训练的弱监督状态空间模型 PathMamba，通过结合像素级与 patch 级特征学习局部细节和全局上下文。 方法首先将像素视为实例，基于 Multi-Instance Multi-Label Learning 提取像素级特征图，再将其注入 Contrastive Mamba Block。该模块结合状态空间模型与对比学习，提取病理图像中的非因果双粒度特征；作者另提出 Deep Contrast Supervised Loss，以更充分利用有限的标注信息。摘要未给出对比样本构造、双粒度特征交互方式、损失公式及推理流程，具体机制尚需全文核对。 作者报告，在两个公开病理图像数据集上，PathMamba 优于所比较的先进弱监督方法，并能生成区域一致性更好的分割结果。摘要未列出数据集名称、划分协议、评价指标、分数及对照方法，因此无法判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但其运行条件与结果可复现性尚未验证。 平台推测（待验证）：其可考察的跨领域机制是由样本级弱标签学习局部特征，并结合细粒度与粗粒度上下文；这不等于已证实的 EEG/BCI 效果。若 EEG 任务具有记录级标签而缺少事件级标注，可假设将像素实例改为时间窗实例、将 patch 改为较长片段，探索弱监督事件定位。状态空间与多实例学习模块可能可复用，但图像空间邻域、粒度定义和对比关系均需改造。低信噪比、跨被试差异、通道配置变化及小数据条件可能使局部特征聚焦于伪迹而非目标事件。一个可证伪的小实验是在具有事件标注的 EEG 数据上，仅用记录级标签训练，以保留的事件标注评估定位，并在相同被试划分下比较多实例学习基线与加入双粒度模块后的结果。相关 EEG 工作尚未检索确认。