提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

Feb, 2018

应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

May, 2024

本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

Apr, 2020

利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。

Mar, 2019

该论文应用半监督的师生知识蒸馏技术，使用 0.5% 的标记数据达到了与 100% 标记数据相同的准确率，减轻了标注负担，提高了自动数字病理学系统的可承受性。

Mar, 2020

在诊断和治疗癌症疾病中，基于人工智能的组织病理学图像中的细胞核分割是一项至关重要的任务，它减少了手动筛查显微组织图像所需的时间，并且能够解决病理学家在诊断过程中的冲突。本研究提出了一种新颖的细胞核分割方法，利用了可用的带标签和未标签数据。该方法将之前分别尝试过的归纳学习和传导学习的优势结合到一个框架中。归纳学习旨在逼近泛函并推广到未见的测试数据，而传导学习则有利于利用未标签的测试数据来改善分类。据我们所知，这是第一项提出在医学图像分割中采用这种混合方法的研究。此外，我们提出了一种新颖的两阶段传导推理方案。我们在 MoNuSeg 基准上评估了我们的方法，以展示其效果和潜力。

Nov, 2023

通过弱监督学习方法，在常规染色的活检病理切片上自动分类了原发性肝癌，特别是混合型肝细胞 - 胆管细胞癌。使用 Resnet18 神经网络训练了一个弱肿瘤 / 非肿瘤区域的标注作为标签，并利用网络的最后一个卷积层提取新的肿瘤切片特征，然后应用了一种无监督聚类算法。模型识别了肝细胞癌和肝内胆管癌的特定特征，尽管未识别到混合型肝细胞 - 胆管细胞癌的特定特征，但在综合诊断原发性肝癌，特别是混合型肝细胞 - 胆管细胞癌方面，识别出肝细胞癌和肝内胆管癌的切片可能会有帮助。

Apr, 2024

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

本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

Oct, 2019

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