M4: 多代理多门专家混合网络在组织病理学图像分析中的多实例学习

引入虚拟伪袋的概念并构建双层MIL框架，以扩大样本数，显著优于最新方法。

研究了一种新的跨尺度多实例学习算法，通过整合多尺度信息提高病理学影像诊断的准确率。

提出基于原型学习和多实例学习的TPMIL框架，能够更准确地识别肿瘤亚型，无需依赖选定的图像补丁。

基于病理先验的多实例学习框架，通过数据增强和空间相关性分析，有效用于癌症检测和亚型区分。

提出的Hierarchical Attention-Guided Multiple Instance Learning框架在多个分辨率上动态发现显著区域，取得最先进的表现。

RetMIL方法实现了对组织病理学全幻灯片图像的分析，显著提升了性能和计算效率。

改良位置嵌入的长上下文WSI方法通过引入线性偏差处理形状变化，保持全自注意力性能。

新的相关MIL框架和基于Transformer的MIL（TransMIL）在多个计算病理学问题上表现优异，测试AUC达到93.09%。

弱监督的多实例学习方法在肿瘤检测和癌基因突变检测中表现出色，AUC达到0.97。

结合多层多实例学习与Transformer的方法在WSI图像分类任务上展示出优秀性能。