AdaptMIL：数字病理学中多实例学习的域适应

基于摘要分析。本文研究数字病理全切片图像（WSI）分析中的跨医院分布偏移：基于病理基础模型（PFMs）和多实例学习（MIL）的任务头，在一家医院训练后，迁移到另一家医院时可能性能下降。作者提出 AdaptMIL，通过两阶段训练解耦表征层面的域对齐与 MIL 聚合学习，缓解域适应目标对聚合学习的干扰。 核心机制与结果：作者报告，直接在 MIL 训练中加入域适应目标，往往会干扰 MIL 聚合学习，并导致相较常规训练的性能下降。AdaptMIL 将两类学习过程分开；作者报告，在涵盖多个 WSI 数据集、任务、PFMs、MIL 架构及域适应目标的跨医院实验中，该策略改善了性能，并优于其他适应方法。摘要未提供各阶段的训练细节、具体损失、数据集名称、划分方式或数值指标，实验协议、消融及统计信息尚未验证。代码计划在发表时发布，当前材料不能确认其可用性。 平台推测（待验证）：可迁移的假设不是病理表征本身，而是“域对齐与集合聚合分阶段优化”这一训练思路。原问题依赖由图像实例构成的切片级集合；若 EEG 任务同样将多个时间窗作为实例、以记录级标签监督 MIL，该机制可能对应跨被试或跨会话条件下域对齐干扰任务聚合的问题。可复用的是训练阶段划分，需改造的是 EEG 编码器、实例划分及域对齐位置；所需监督形式、目标域数据使用方式与样本规模仍需核对全文。低信噪比、通道配置差异及小样本可能使对齐抹去任务信息。可在固定划分与数据访问条件下，对照常规 MIL、联合域对齐和两阶段训练，检验跨被试收益是否稳定；已有 EEG 相关工作尚未检索确认。