提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。
Feb, 2018
研究了一种新的跨尺度多实例学习算法，并将其应用于病理学影像诊断中，通过整合多尺度信息和跨尺度关系来提高诊断准确率。在内部和公共数据集上均表现出优异的性能。
Apr, 2023
为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。
该研究论文提出了一种基于原型学习和多实例学习的Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的WSI分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。
May, 2023
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。
这篇论文提出将状态空间模型用作多实例学习器应用于数字病理学中的各种问题，并在转移学习、癌症亚型分类等方面进行实验，在此类模型中展示了与现有技术的竞争力。
Jun, 2023
该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。
Jul, 2023
人工智能（AI）在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据，处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战，通常被分成数万个较小的瓷砖进行分析。我们提出了一种新方法，通过在内存中全面高分辨率地同时训练瓷砖编码器和整个切片聚合器来解决这个问题，弥合了输入和切片级监督之间的差距。虽然计算成本更高，但详细的定量验证显示了病理基础模型的大规模预训练的前景。
Mar, 2024
本文针对计算病理学中多实例学习面临的信息利用不足问题，提出了一种新颖的框架Mamba2MIL。该框架利用状态空间对偶模型，有效融合各种特征，并引入了适应不同全切片图像大小的序列变换方法，从而显著提升了序列信息的利用效率。实验结果表明，Mamba2MIL在多个数据集上超越了现有的最先进方法。
Aug, 2024
本研究解决了数字病理学领域模型适应性不足的问题，提出了利用基础模型在大规模领域特定数据集上进行训练的方法。研究发现，基础模型在皮肤癌六个亚型预测方面表现优于使用ImageNet预训练的模型，具有显著的临床应用潜力。
Oct, 2024