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

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

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

为了提高对Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的MIL方法（SI-MIL），它通过深度MIL框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性预测，并在三种癌症类型的WSI级别预测任务上展示了与先进方法相媲美的结果。

Dec, 2023

通过提出的基于保留机制的RetMIL方法，实现了对组织病理学全幻灯片图像的分析，同时在性能和计算开销方面取得了显著的提升。

Mar, 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

提出了一个属性驱动 MIL 框架来解决注意力机制在区分实例上的限制，并通过空间属性约束和属性排序约束改进了模型的识别能力，进而在多个评估指标上优于现有的最先进框架。

Mar, 2024

本研究解决了全切片图像（WSI）分析中由于其巨大规模和复杂性而带来的独特挑战。文章提出了一种多实例学习（MIL）的方法，通过总结各种技术及其在癌症分类与检测中的应用，强调了MIL在癌细胞形态发现和可解释机器学习模型构建中的潜在影响，旨在为研究人员提供当前领域的状态并激发未来研究方向。

Aug, 2024

本研究针对现有的基于注意力的多实例学习算法在整片切片图像分类中存在错误聚焦于无关模式的问题。我们提出了一种基于最大池化和前向变分推理的简单有效的实例基础多实例学习方法（FocusMIL），显著提升了在Camelyon16和TCGA-NSCLC基准上的分类表现，并改善了对困难实例的识别能力。

Aug, 2024

本研究针对传统多实例学习方法在长上下文病理全幻灯片图像（WSI）分析中的关键性信息损失问题，通过引入局部注意力掩码来提高长序列注意力矩阵的秩，从而改善模型的表示能力。最终提出的长上下文多实例学习（LongMIL）方法在多个WSI任务中的表现优越，展现了其在计算加速和信息交互建模方面的潜力。

Oct, 2024