本文提出了一种可解释的池化方法用于多实例学习，该方法利用负包的实例级信息（即健康个体的同质良性细胞），提高了异常实例的贡献度，从而解决了在罕见贫血疾病分类中缺乏训练数据和实例级注释等问题，并优于标准 MIL 分类算法并提供了其决策背后的有意义的解释。
Jul, 2022
单细胞数据集 MMIL 的混合建模方法能够精确识别白血病细胞并跨组织和治疗时间点推广，为细胞分类提供了一种新颖的方法，有望在未知标签和高维度情况下促进疾病的理解和管理。
Jun, 2024
通过自监督学习方法在血涂片中为基于 MIL 的 AML 亚型分类提供无标签数据的预训练编码器，实现与有监督预训练相媲美的性能，为 AI 基础疾病诊断领域提供了一种经济高效的解决方案。
Mar, 2024
本文利用深度卷积神经网络来分类和量化镰状细胞贫血患者的红细胞形态，建立了包含 10,377 个细胞图像的数据集，使用 18 层神经网络架构，以 81% 的准确率鉴别出红细胞的三种不同形态，并使用了 SHAP 和 LIME 来进一步解释模型结果。
May, 2023
数字病理学发展迅速，结合人工智能、深度学习和高性能计算等技术的进步，可以提高和加速诊断过程，减少人为错误，并简化报告步骤。本文提出了一个新的大型红细胞（RBC）图像数据集，并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类，采用 U-Net 模型进行自动 RBC 图像分割，并使用 EfficientNetB0 模型进行 RBC 图像分类，取得了 98.03％的 IoU 和 96.5％的平均分类准确率。与其他知名 CNN 模型进行的实验比较表明，该模型在性能和计算成本之间取得了良好的平衡。
提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。
Mar, 2022
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
通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。
Apr, 2024
提出了一种通用的损失函数，用于在多类别分割中实现拓扑准确性，并通过在持久性条码上引入匹配概念进行优化，将多类别分割问题转化为单类别分割任务，从而实现了神经网络的快速训练，并在四个医学数据集上验证了该方法的有效性。
本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。
Mar, 2023