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

该论文提出了一种名为MaskHIT的模型，它使用预训练的transformer模型来重建被遮盖的WSI区域并学习组织学特征，进而在癌症诊断和预测任务中表现出比其他方法更好的效果。

Apr, 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

最近整个切片图像（WSI）扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。

Oct, 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

我们提出了一种新颖的动态图表示算法，将组织病理学切片图像（WSIs）概念化为知识图结构的形式，通过动态构建邻居和带向边嵌入的头尾实例之间的关系，利用知识感知的注意机制更新头结点特征，然后通过全局池化过程获得图级嵌入，作为WSI分类的隐式表示。我们的端到端图表示学习方法在三个TCGA基准数据集和内部测试集上优于最先进的WSI分析方法。

Mar, 2024

通过提出的基于保留机制的RetMIL方法，实现了对组织病理学全幻灯片图像的分析，同时在性能和计算开销方面取得了显著的提升。

Mar, 2024

利用深度学习对高分辨率组织病理学全幻灯片图像进行建模，提出一种适用于模型解读的方法，Wsi rEgion sElection aPproach (WEEP)，该方法能够准确确定用于预测特定标签所需的WSI空间范围，并且在乳腺癌计算病理学领域的二分类任务中进行了演示。

Mar, 2024

通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在WSI数据集上具有优越性能，准确率提高1.0%-2.6%，在AUROC上提高0.7%-1.6%。

Mar, 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