RLT：全切片图像分析中的关系长尾学习

基于摘要分析。该研究面向病理全切片图像（WSI）的长尾分类，提出 RLT 框架，将不平衡建模从切片标签和稀疏局部证据扩展到组织间关系，旨在避免少见但具有类别判别力的组织交互在图传播中被常见关系掩盖。 方法包含三个主要环节：首先构建形态感知异构图，将图像 patch 节点与组织语义关联，并以关系边表示组织交互；其次采用诊断性驱动的关系去偏，将关系稀有度与反事实贡献结合，仅在稀有关系提供类别特异性证据时增强它们；再次通过原型引导的表征丰富，增加数据稀缺类别在表征空间中的覆盖并稳定决策空间。此外，框架使用考虑类别先验的 Balanced Softmax 目标，降低剩余的分类器偏差。其关键研究问题是区分“关系稀有”与“关系具有诊断价值”，而非无条件放大低频关系。 作者报告，在 Camelyon+-LT 和 PANDA-LT 上，RLT 的整体及尾部类别表现均优于代表性基线。摘要未提供具体指标、提升幅度、长尾构造方式或数据划分，因此不能判断收益大小及不同设置下的稳定性。组织语义的获取方式、反事实贡献的计算、原型构建与更新、各模块的独立贡献，以及实验协议、消融及统计信息尚未验证。摘要声明代码与配置可用，但其内容与复现完整性尚未核验。 平台推测（待验证）：其“关系频率不等于判别价值”的思路可能用于 EEG 通道或脑区关系图，但前提是能够定义稳定的关系类型及任务相关贡献；病理组织语义不能直接替代 EEG 关系语义。可考虑保留关系去偏机制，改造节点、边和原型定义，并在固定跨被试划分下比较仅做类别重平衡、按关系稀有度加权和联合反事实贡献三种设置。低信噪比、通道配置变化及小样本下不稳定的贡献估计可能使该机制放大伪相关。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。