此研究提出了一种名为 DeepAttnMISL 的多实例深度学习方法，通过引入两种方式（siamese MI-FCN 和 attention-based MIL pooling）从 WSI 中高效地学习图像特征，然后将 WSI 级别的信息聚合到患者级别。该方法适用于大型数据集，并具有更好的可解释性，可用于癌症患者风险评估和个性化医疗。

Sep, 2020

本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

May, 2023

该研究提出了一种基于交叉关注的突出实例推断多实例学习方法，通过一种新的显著性提醒的关注机制，在 WSIs 上无需任何标注即可识别乳腺癌淋巴结微转移，并展示出对小肿瘤病变 WSIs 的出色准确性，具有良好的解释性特点。

Sep, 2023

本研究提出了一种 Patch-GCN 算法，该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模，从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证，在 5 种不同的癌症类型中，表现出比之前研究中所有的弱监督方法都要好。

Jul, 2021

通过自动弱监督分级方法 RACR-MIL，将肿瘤 WSI 转化成以瓦片补丁为基础的袋模型，并利用基于注意力的多实例学习进行 WSI 级别的分级，通过三个关键创新解决了肿瘤分级中的一般性和特定性挑战，取得了在 cSCC 组织图像数据集上 2-9% 的分级改进和更好的肿瘤定位，对于难以分类的高危分级类别具有 5-20% 的精确度提高，并且能够应对类别不均衡的情况。

Aug, 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

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024

本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

Jun, 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

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