本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。
该文介绍了一种基于BROW模型的基础模型，用于提取WSI特征表示。通过使用自蒸馏框架预训练的转换器结构，改进模型的鲁棒性，并利用WSI的多尺度金字塔来增强其性能。实验结果证实了该模型在各种器官和组织的WSI上的有效性、鲁棒性和良好的泛化能力，具有潜力和应用前景。
