SlideGCD：基于知识蒸馏的切片级图协同训练用于全切片图像分类

现有的全切片图像（WSI）分析方法基于一个共识，即肿瘤的组织病理学特征对癌症诊断具有重要指导意义。特别是，由于癌症的演变是一个连续过程，应考虑不同阶段、解剖位置和患者之间的相关性和差异。然而，近期研究主要关注单个WSI的内部上下文信息，忽略了切片之间的相关性。为验证引入切片间相关性是否能给WSI表示学习带来改进，我们提出了一种通用的WSI分析流程SlideGCD，它将现有的多实例学习（MIL）方法作为骨干，并将WSI分类任务构建为一个节点分类问题。更具体地说，SlideGCD声明了一个节点缓冲区，用于存储先前的切片嵌入，以便后续构建大规模的基于切片的图，并进行图学习以探索基于切片的图中隐含的互相关性。此外，我们将MIL分类器和图学习构建为两个并行的工作流，并部署知识蒸馏将可微分信息传输给图神经网络。在两个TCGA基准数据集上观察到，SlideGCD为四种先前最先进的MIL方法带来了持续的性能提升。代码可在https://github.com/HFUT-miaLab/SlideGCD获取。