通过使用深度多实例网络对乳腺摄影进行分类，本文成功地实现了对乳腺癌进行计算机辅助诊断，消除了传统方法中昂贵的手动标注和特定计算模型的需要。该文在INbreast数据集上开展的实验结果表明，所提出的深层网络相对于先前使用分割和检测注释进行训练的工作具有更好的鲁棒性。

Dec, 2016

该研究使用大规模的有标签数据集训练深度学习模型结合“多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的AUC，为计算病理学领域的决策支持系统部署提供了基础。

May, 2018

本研究提出了使用分位数函数汇聚图像小区域预测结果的多实例学习方法，以及在随机裁剪区域上应用多实例聚合的图像增强方法，该方法在乳腺肿瘤组织分类中进行了五种不同任务的验证，并提供了一种可视化方法以解释局部图像分类，这可能有助于对肿瘤异质性的未来洞见。

Jun, 2018

本文介绍了一种基于多实例多尺度卷积神经网络的方法，解决了医学图像分类中的三大挑战：小样本、ROI难以定位和尺度变化问题，并利用弱标注实现了良好的性能。

Jul, 2019

提出了一种新的多实例学习（MIL）模型，使用距离感知自注意力（DAS-MIL）来考虑图像中不同补丁之间的相对空间关系，以提高医学图像分析的精度。通过在 MNIST-based MIL 数据集和公开的癌症转移检测数据集 CAMELYON16 上评估我们的模型，证明了该模型超越了现有的多数MIL方法。

May, 2023

该研究使用多个特征提取器和聚合器，通过对脑瘤组织病理学进行多实例学习实验，为精确诊断和个体化治疗策略提供了更新的性能基准，包括在印度人群中的新数据集 (IPD-Brain) 。利用经过组织病理学数据预训练的 ResNet-50 进行特征提取，并结合 DTFD 特征聚合器，该方法在三种脑胶质瘤亚型分类上分别在 IPD-Brain 和 TCGA-Brain 数据集上取得了88.08 和 95.81 的AUC值。此外，该研究通过H＆E染色全切片图像在IPD-Brain数据集上建立了基于分级和检测IHC分子生物标记物（IDH1（突变R132H），TP53，ATRX，Ki-67）的新基准，并突出了模型决策过程与病理学家诊断推理之间的显著相关性，强调了其模拟专业诊断程序的能力。

Feb, 2024

通过使用多实例学习 (MIL) 框架，我们限制深度学习模型使用信息的数量来进行最终分类，从而提高模型在医学图像分析领域的鲁棒性和解释性。

May, 2024

提出了一种基于多样性全局表示（DGR-MIL）的新型MIL聚类方法，通过建模实例之间的差异，以及使用一组全局向量来从实例中提取摘要。该方法在CAMELYON-16和TCGA肺癌数据集上明显优于现有的MIL聚类模型。

Jul, 2024

本研究解决了全切片图像（WSI）分析中由于其巨大规模和复杂性而带来的独特挑战。文章提出了一种多实例学习（MIL）的方法，通过总结各种技术及其在癌症分类与检测中的应用，强调了MIL在癌细胞形态发现和可解释机器学习模型构建中的潜在影响，旨在为研究人员提供当前领域的状态并激发未来研究方向。

Aug, 2024

本研究解决了大型儿科脑肿瘤组织病理数据集稀缺的问题，应用了两种弱监督的多实例学习方法，通过使用三种预训练特征提取器对切片特征进行分类。研究发现，使用UNI特征结合AMMIL聚合的方法在肿瘤类别、家族和类型分类中具有最佳表现，这表明在多中心国家数据集上，先进的计算病理学方法在诊断儿科脑肿瘤方面具有良好的可推广性。

Sep, 2024