提出了一种多层多实例学习与 Transformer 相结合的方法，能有效处理大量实例的 MIL 任务，并在 WSI 图像分类任务上展示出优秀的性能。

Jun, 2023

本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。

Nov, 2020

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

自我监督整个切片学习（S3L）框架可以通过利用整个切片的固有区域异质性、组织学特征变异性和信息冗余性来学习高质量的整个切片表示，用于癌症诊断和基因突变预测等诊断任务，并且在两种生物医学显微镜条件下显著优于基线模型。

Feb, 2024

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

整张切片图像分类中，使用多实例学习和半监督方法来改善基于切片级注释的分类算法，通过在正常切片上引入自由标注信号来减少切片间的变异性并捕捉常见变异因素，该方法显著提高了预测性能并优于其他半监督算法。

Feb, 2024

通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在 WSI 数据集上具有优越性能，准确率提高 1.0%-2.6%，在 AUROC 上提高 0.7%-1.6%。

Mar, 2024

提出一种新的相关 MIL 框架 (correlated MIL) 以及设计一个基于 Transformer 的 MIL (TransMIL)，并探索形态和空间信息，对于三个不同的计算病理学问题，比现有方法具有更好的性能和更快的收敛速度，在二元肿瘤分类上的测试 AUC 可以达到 93.09％，在 TCGA-NSCLC 数据集和 TCGA-RCC 数据集上，癌症亚型分类的 AUC 分别可以达到 96.03％和 98.82％。

Jun, 2021

本文提出了一种基于多尺度原型 Transformer（MSPT）的 WSI 分类方法，通过使用原型 Transformer 和多尺度特征融合模块（MFFM）有效缓解正负样本不平衡与多尺度信息融合问题，实验结果表明其性能超过了其他算法。

Jul, 2023