提出了一种新颖的 “细粒度的视觉 - 语义相互作用”（FiVE）框架，用于整个切片图像（WSI）的分类，通过利用局部视觉模式和细粒度病理学语义之间的相互作用，提高模型的普适性，并通过引入任务特定的细粒度语义（TFS）模块，增强表示学习和泛化能力，进一步采样训练中的视觉实例子集，表现出强大的泛化能力，在 TCGA 肺癌数据集上的少样本实验中，准确度至少比同类方法提高 9.19%。

Feb, 2024

本文提出了一种新颖的自动标签高效 WSI 筛查方法（简称 LESS），用于只具有载玻片级别标签的细胞学诊断，该方法采用 VPU 学习提高 WSI 级别标签的补丁级特征学习的效率，并使用跨注意视觉变换器（CrossViT）融合多尺度补丁级数据并执行 WSI 级分类，实现了自动细胞学膀胱癌筛查。

Jun, 2023

本文提出了一种名为 C2C 的聚类解决方案，该方案通过聚类、采样数据以及使用自适应注意机制在自动疾病诊断领域中对大型 WSI 图像进行有效的分类和预测。

Mar, 2021

提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

May, 2023

通过系统地研究 WSIs 分类算法的不同设计选择，我们发现全局上下文信息并非越多越好，而是以局部小区域的细节信息为主要特征，此外，相较于在更大的数据集上进行无监督预训练，我们发现在更小、更专注的数据集上进行预训练可以更好地区分输入补丁的微妙差异。

Oct, 2023

本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

Dec, 2020

为了解决宫颈图像分类模型开发中的挑战，本研究提出了一种基于自我监督学习的方法来产生一个预训练宫颈模型，并利用不同来源的未标记和 / 或标记图像来开发特定标准的宫颈图像分类模型，证明了该方法的有效性和联邦自我监督学习可以提高性能。

Jan, 2022

该研究通过 VGG16-CNN 分类方法对 TCGA 数据平台中的子宫颈组织数字切片进行分类，准确率为 98.26%，F1 分数为 97.9%，这证实了迁移学习在该弱监督任务上的潜力。

May, 2020

此研究提出了一种名为 DeepAttnMISL 的多实例深度学习方法，通过引入两种方式（siamese MI-FCN 和 attention-based MIL pooling）从 WSI 中高效地学习图像特征，然后将 WSI 级别的信息聚合到患者级别。该方法适用于大型数据集，并具有更好的可解释性，可用于癌症患者风险评估和个性化医疗。

Sep, 2020

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