结合切片级对比学习的动态残差编码：用于端到端全切片图像表征

基于摘要分析。该研究面向全切片图像（WSI）表征：单张千兆像素病理切片可包含数万个图像块，受 GPU 资源限制，难以在单个 mini-batch 中为全部图像块计算梯度。作者提出 DRE-SLCL，将动态残差编码与切片级对比学习结合，以支持端到端 WSI 表征训练，服务于癌症分型、癌症识别和突变预测。 方法使用记忆库存储数据集中各 WSI 的图像块特征。训练时，一个 mini-batch 通常包含多张 WSI；每张 WSI 随机采样部分图像块，由图像块编码器计算特征，再从记忆库中取出同一 WSI 的其他图像块特征。残差编码整合当前采样特征与缓存特征，生成切片级表征；随后依据批内 WSI 表征及其组织病理学报告计算切片级对比损失。其核心思路是将当前计算的局部特征与缓存中的切片信息结合，但摘要未给出残差编码公式、记忆库更新策略、报告参与对比监督的具体方式及完整梯度路径。 作者报告，该方法在癌症分型、癌症识别和突变预测任务上有效；摘要未提供数据集、样本规模、划分协议、对照方法或定量指标，因此尚不能判断收益幅度及泛化范围。复现时需核对缓存特征陈旧程度、图像块采样数量与训练资源消耗之间的关系；实验协议、消融及统计信息尚未验证。 研究的主要对象是病理图像，而非 EEG 或 BCI。现有摘要未建立病理图像块聚合与神经信号建模之间的具体对应关系，不据此推断 BCI 有效性或提出迁移实验。