本文提出了一种新的弱监督学习算法，命名为DWS-MIL，用于学习在组织病理学图像中分割癌症区域，该算法集成了全卷积网络、多尺度学习和正实例约束等技术，通过图像弱监督传递的信息完成分割任务，并在医学图像处理领域取得了最优结果。

Jan, 2017

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

本研究提出了使用分位数函数汇聚图像小区域预测结果的多实例学习方法，以及在随机裁剪区域上应用多实例聚合的图像增强方法，该方法在乳腺肿瘤组织分类中进行了五种不同任务的验证，并提供了一种可视化方法以解释局部图像分类，这可能有助于对肿瘤异质性的未来洞见。

Jun, 2018

本研究提出了CAMEL，这是一种基于弱监督学习的组织病理学图像分割框架，可以仅使用图像级标签来自动生成像素级标签和进行全监督培训。CAMEL在CAMELYON16和结肠腺瘤数据集上实现了与完全监督方法相当的性能，而其自动标注方法的普适性可望造福未来的弱监督学习研究.

Aug, 2019

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

利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

Feb, 2021

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

提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在Kather分类、多实例学习和5个密集预测任务上优于有监督方法，并且在8个半监督任务上比其他自监督方法取得了更好的结果。

Sep, 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