本文介绍了一种基于图神经网络和DenseNet的方法，使用颜色选择和生成的样本patches并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在The Cancer Genome Atlas数据集上表现出了88.8%的准确率和0.89的AUC。

Apr, 2020

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

本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别WSI中的癌症区域。

Jun, 2023

我们提出了一种新的基于异构图的框架，利用细胞核的不同类型之间的相互关系进行WSI分析。通过将WSI建模为一个具有“核型”属性和语义相似性属性的异构图，采用新的异构图边属性转换器(HEAT)和基于伪标签的语义一致汇聚机制来获得图层特征，并采用因果驱动的方法来解决现有关联定位方法的局限性。大量实验证明，在各种任务上，我们的框架相比于现有方法具有显著的优势。

Jul, 2023

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

综述了整个切片图像（WSIs）中图神经网络（GNNs）的应用，讨论了它们在组织病理学中的应用，并探讨了未来发展趋势。通过对四个新兴趋势的深入探索，提供了关于GNNs在组织病理学分析中发展的见解，并提出了未来的研究方向。该分析旨在通过图神经网络引领研究人员和从业者探索创新的方法和方法，推动组织病理学分析的发展。

Jun, 2024

通过考虑幻灯片之间的互相关联性，我们提出了一个通用的WSI分析流水线SlideGCD，将现有的多实例学习方法作为骨干，并将WSI分类任务构建为节点分类问题。SlideGCD通过存储先前幻灯片嵌入来进行广泛基于幻灯片的图构建，并进行图学习来探索幻灯片之间的互相关联性，进而实现MIL分类器和图学习的两个并行工作流，并通过知识蒸馏将可区分信息传递给图神经网络。在两个TCGA基准数据集上观察到SlideGCD带来的一致性性能提升，超过了四种最先进的MIL方法。

Jul, 2024

本研究解决了当前组织病理学全幻灯片图像分析中忽视幻灯片之间可能的相互关系的问题。提出的SlideGCD模型通过引入幻灯片间的关联性，提升了现有多实例学习框架的性能，验证了在癌症分型、分期、存活预测和基因突变预测等任务中的有效性和鲁棒性。

Oct, 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