通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

Apr, 2015

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

本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺X线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

Jun, 2019

本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习(MICLe)方法，为医学图像分析中的皮肤病和胸部X光分类任务提供了更为准确的预测。

Jan, 2021

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

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

整张切片图像（WSI）分析在癌症诊断和治疗中起着至关重要的作用，自监督学习（SSL）方法由于其在避免需要大量注释的情况下提高效率而成为宝贵的资源，尤其适用于解决WSI内部补丁选择引起的类别不平衡问题。我们提出了一种新颖的自监督学习方法Nearby Patch Contrastive Learning (NearbyPatchCL)，它利用附近补丁作为正样本，采用解耦的对比损失进行鲁棒表示学习。该方法在补丁级别多类别分类的下游任务中显著提高了性能，达到了87.56%的Top-1分类准确率，并且仅使用了1%的标注数据。

Dec, 2023

提出了一种基于多样性全局表示（DGR-MIL）的新型MIL聚类方法，通过建模实例之间的差异，以及使用一组全局向量来从实例中提取摘要。该方法在CAMELYON-16和TCGA肺癌数据集上明显优于现有的MIL聚类模型。

Jul, 2024

本研究解决了数字病理学领域模型适应性不足的问题，提出了利用基础模型在大规模领域特定数据集上进行训练的方法。研究发现，基础模型在皮肤癌六个亚型预测方面表现优于使用ImageNet预训练的模型，具有显著的临床应用潜力。

Oct, 2024