传统图神经网络（GNN）虽能建模变量关系，但仅依赖最后一层输出，忽略中间层的局部与全局信息（例如浅层捕捉短距离依赖，深层捕获长距离依赖）。- 即插即用：Graph-MoE可无缝集成至其他GNN模型（如GANF、MTGFlow），平均提升2.5%-3.5%的检测精度。- 多层信息融合：传统GNN仅用最后一层输出，而Graph-MoE通过混合专家（MoE）模块，动态整合不同GNN层的信息。- 动态路由

PGM-UNet通过创新的双路径设计和提示学习，为医学图像分割树立了新标杆。最新突破：来自北京理工大学的研究团队提出了一种双路径融合模型PGM-UNet，结合CNN的局部感知力与Mamba的全局建模能力，显著提升了分割精度与效率，相关成果已发表于顶会论文。- 皮肤病变分割（ISIC-2017/2018）：平均DSC达87.69%，较Mamba模型AC-MambaSeg提升1.16%。- 血管分割（

3. **模型评估** - **区域和切片诊断能力提升**：在多种病理任务（如形态分型、分子分类、生存预测）上，TITAN及变体优于其他模型，随预训练数据增加性能提升，在少样本数据效率实验表现佳，消融实验揭示各设计选择（如位置编码、层数、预训练策略）对性能影响及模型优势。- **预训练阶段** - **阶段 1**：对WSIs中ROI裁剪区域进行视觉单模态自监督学习，采用iBOT框架和ALiBi位

PGM-UNet通过创新的双路径设计和提示学习，为医学图像分割树立了新标杆。最新突破：来自北京理工大学的研究团队提出了一种双路径融合模型PGM-UNet，结合CNN的局部感知力与Mamba的全局建模能力，显著提升了分割精度与效率，相关成果已发表于顶会论文。- 皮肤病变分割（ISIC-2017/2018）：平均DSC达87.69%，较Mamba模型AC-MambaSeg提升1.16%。- 血管分割（