利用局部感知扫描与重要性重采样增强全切片图像分析中的状态空间模型

基于摘要分析。本文研究吉像素级全切片图像（WSI）的高效分析，提出 Pathology Mamba（PAM），分别针对海量图像块处理、局部与层级信息利用，以及训练与测试图像块特征分布不匹配设计三个模块。主要研究对象是病理图像的癌症分型与生存预测，并非 EEG 或 BCI。 机制方面，Bi-directional Mamba Encoder 用于处理 WSI 中的大量图像块；Local-aware Scanning 结合局部感知机制与层级扫描，建模局部信息和整体结构；Test-time Importance Resampling 在测试阶段重采样图像块，旨在缓解训练与测试特征分布不一致。摘要未披露扫描顺序、层级构造、重要性权重计算、损失函数及训练细节，其具体实现尚未验证。 作者报告，在九个 WSI 数据集的癌症分型与生存预测任务上，PAM 优于所比较的当前先进方法，并具有更强的判别区域建模能力。摘要未给出数据集名称、样本规模、划分方式、对照方法或具体指标，不能据此量化优势或比较不同任务的表现；实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码运行条件与结果可复现性尚未核查。 平台推测（待验证）：若将 EEG 表示为带有通道位置与时间顺序的片段序列，双向编码和局部扫描可能用于长序列建模及局部时空关系提取；这一假设依赖可合理定义的邻接结构，而病理图像的空间层级不能直接等同于 EEG 通道关系。可考虑复用序列编码器，重新设计时间—通道扫描方式；重要性重采样则需验证是否会丢弃短暂但关键的神经活动。低信噪比、跨被试差异、通道布局变化及小数据训练均可能使迁移失败。一个可证伪的小实验是在固定的 Cross-subject EEG 划分下，保持编码器、训练预算和输入片段一致，仅比较普通时间扫描与局部时空扫描，检验收益是否稳定，再单独评估重采样。已有 EEG 相关工作尚未检索确认。