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

本文提出了一种改良位置嵌入的长上下文 WSI 方法，通过引入线性偏差来处理形状变化的大 WSI，并将其从 1 维长序列适应到 2 维长上下文 WSI 中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决 Transformer 的计算复杂性问题，保持了全自注意力的性能。通过在 4 个数据集上进行 WSI 分类和生存预测任务的广泛实验证明了我们方法在形状变化的 WSIs 上的优越性。

Nov, 2023

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024

本文提出了一种新的跨度注意机制来聚合具有不同分辨率的图像中的特征，并生成不同分辨率的可视化结果来定位并解释可解释的损伤模式，该方法在 Crohn 病这种炎症性肠病的诊断中取得了优异的成果。

Aug, 2022

提出了一种新颖的基于嵌入的双查询多示例学习（DQ-MIL）流水线，使用动态元嵌入方法并将 MIL-attention 与相关自我关注相结合，该方法在三个组织学数据集中实现了较高的性能。

Jul, 2023

通过引入预测注意力加权地图和生物特征实例化技术，通过分析 MIL 模型，我们提高了对数字病理学中预测准确性区域的解释性，揭示了前列腺癌诊断中对预后有不良预测作用的区域与肿瘤区域不重合，提出了评估预后时也应研究非癌细胞。

Sep, 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

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

多案例学习方法在整张幻灯片图像分析中仍然存在过拟合的挑战。本文提出了一种名为 ACMIL 的注意力挑战式多案例学习方法，旨在更好地捕捉有挑战性的预测实例，并通过三个 WSI 数据集的评估证明了其优越性。通过热图可视化、UMAP 可视化和注意力值统计，全面展示了 ACMIL 在克服过拟合挑战方面的有效性。

Nov, 2023

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