组织病理图像深度实例级困难负样本挖掘模型
本文提出了一种新的弱监督学习算法，命名为DWS-MIL，用于学习在组织病理学图像中分割癌症区域，该算法集成了全卷积网络、多尺度学习和正实例约束等技术，通过图像弱监督传递的信息完成分割任务，并在医学图像处理领域取得了最优结果。
Jan, 2017
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
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
本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在The Cancer Genome Atlas和PatchCamelyon数据集上进行了评估，显示出一定的潜力.
Apr, 2020
该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。
Aug, 2022
本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的LMP1状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。
Sep, 2022
提出了一个全局利用WSI的Hierarchical Attention-Guided Multiple Instance Learning框架，该框架动态地、全面地发现了WSIs的多个分辨率上的显著区域，同时使用Integrated Attention Transformer（由多个Integrated Attention Modules组成）进一步提高了transformer的性能，实验表明，该方法在多个数据集上取得了最先进的表现。
Jan, 2023
本研究开发了一种新的深度学习池化操作符—— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。
May, 2023
提出了一个名为MUSTANG的多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，该任务只具备患者级别标签但没有幻灯片级别标签或区域注释，利用稀疏的k最近邻图和欧几里得距离进行操作限制，取得了0.89/0.92的F1得分/曲线下面积，优于广泛使用的CLAM模型。
Sep, 2023