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

该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

Jul, 2023

提出了一个名为MUSTANG的多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，该任务只具备患者级别标签但没有幻灯片级别标签或区域注释，利用稀疏的k最近邻图和欧几里得距离进行操作限制，取得了0.89/0.92的F1得分/曲线下面积，优于广泛使用的CLAM模型。

Sep, 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

为了提高对Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的MIL方法（SI-MIL），它通过深度MIL框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性预测，并在三种癌症类型的WSI级别预测任务上展示了与先进方法相媲美的结果。

Dec, 2023

通过多模态多任务多实例学习的 PathM3 框架，有效地将组织切片图像与诊断说明对齐，从而在组织病理学图像分类和生成诊断说明任务上提高了分类准确性和生成效果。

Mar, 2024

提出了一个属性驱动 MIL 框架来解决注意力机制在区分实例上的限制，并通过空间属性约束和属性排序约束改进了模型的识别能力，进而在多个评估指标上优于现有的最先进框架。

Mar, 2024

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

本研究解决了全切片图像（WSI）分析中由于其巨大规模和复杂性而带来的独特挑战。文章提出了一种多实例学习（MIL）的方法，通过总结各种技术及其在癌症分类与检测中的应用，强调了MIL在癌细胞形态发现和可解释机器学习模型构建中的潜在影响，旨在为研究人员提供当前领域的状态并激发未来研究方向。

Aug, 2024

本研究针对现有的基于注意力的多实例学习算法在整片切片图像分类中存在错误聚焦于无关模式的问题。我们提出了一种基于最大池化和前向变分推理的简单有效的实例基础多实例学习方法（FocusMIL），显著提升了在Camelyon16和TCGA-NSCLC基准上的分类表现，并改善了对困难实例的识别能力。

Aug, 2024