研究亮点：* 所提方法加快推理过程的同时也提升了分类性能，实现了传统方法无法达到的速度与性能之间的平衡，并为多示例分类的未来研究提供了启 发 * 该方法中首次展示了基于 Chebyshev 多项式的 Kolmogorov-Arnold 分类器，并将其应用于数字病理学中，大幅提升了分类性能 * 所提方法通过了大量实验的验证，并在 3 个公开数据集上取得了可靠、有效的验证结果 哈尔滨工业大学江俊君教授、江奎副教授和张永兵教授团队，创新提出一种分层蒸馏多示例学习框架 HDMIL，旨在快速识别不相关的 patches，从而实现 快速而准确的分类。 病理图像包含了丰富的表型信息，依据病理图像进行病理诊断被广泛视为癌症诊断的「黄金标准」。其中，全视野切片图像 (Whole Slide Image, WSI) 是 一种高分辨率的数字病理图像，利用全切片数字扫描技术将病理组织切片转换为高达 10 亿像素级别的数字图像，具有高分辨率、全景展示、数据量大等 特点，是当前医学诊断、医学研究的主流方法。 多示例学习 (Multi-Instance Learning, MIL) 是当前分析 WSI 的主要方法之一，并在肿瘤检测、组织微 ...