该论文提出了一种处理医学影像的框架，使用多实例学习多个小图像块的神经网络得出最终诊断，以解决机器学习中小 n，大 p 问题和像素级注释的限制。

Dec, 2017

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

提出了一种新的多实例学习（MIL）模型，使用距离感知自注意力（DAS-MIL）来考虑图像中不同补丁之间的相对空间关系，以提高医学图像分析的精度。通过在 MNIST-based MIL 数据集和公开的癌症转移检测数据集 CAMELYON16 上评估我们的模型，证明了该模型超越了现有的多数 MIL 方法。

May, 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

为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

Apr, 2023

在计算病理学中，通过对抽样补丁进行训练的多实例学习（MIL）方法在计算效率上是高效的，并且作为一种正则化策略。本研究探讨了不同采样大小对性能趋势以及对模型可解释性的影响，并在 CAMELYON16 数据集上使用 30% 的补丁实现了 1.7% 的性能提升，在 TUPAC16 数据集上仅使用 8 个样本实现了 3.7% 的性能提升。此外，我们发现解释性效果与数据集相关，在 CAMELYON16 上受到了影响，而在 TUPAC16 上则没有受到影响，这进一步证实了抽样与性能和解释性之间的关系与任务具体相关。与预先提取的特征相比，使用 1024 个样本进行的端到端训练在两个数据集上都取得了进一步的改进，进一步突显了这种高效方法的潜力。

Mar, 2024

该研究论文提出了一种基于原型学习和多实例学习的 Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的 WSI 分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。

May, 2023

本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR)，提高了在组织病理学图像中检测前列腺癌的效果，并通过可视化和分析提供了洞察力，有望在其他研究领域中应用该模型。

Oct, 2023

本文探讨了在多实例学习分类器中的实例标签稳定性问题，提出了一个评估实例稳定性的无监督度量，并演示了在比较 MIL 分类器时可以进行性能 - 稳定性权衡。

Mar, 2017

该研究介绍了一种创新方法，以肿瘤为核心，针对基于块的图像分析问题，解决了类别不平衡和边界缺陷的困境，提高了医学图像分割的准确性和计算机辅助诊断系统的性能。

Aug, 2023