SAM-MIL：一种面向整张切片图像分类的空间上下文感知多实例学习方法

提出了一种稀疏编码多示例学习（SC-MIL）方法，通过稀疏字典学习改善特征嵌入和实例相关性，显著提升多示例学习性能。

基于多示例学习（MIL）的方法用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，采用自我监督对比学习和金字塔融合机制，提高分类和定位准确性。

应用基于注意力机制的多示例学习方法，提出掩码硬实例挖掘（MHIM-MIL）框架，利用硬样本建模分类边界，实验证明其在性能和训练成本上优于其他方法。

结合Transformer与多实例学习（MIL）框架，提出MamMIL框架，能够以较小内存占用实现先进的分类性能。

改良位置嵌入的长上下文WSI方法，通过线性偏差处理形状变化，利用闪存注意力模块解决计算复杂性问题，实验证明其在形状变化WSIs上的优越性。

引入虚拟pseudo-bags概念，构建双层MIL框架，显著提高样本数和实例概率推导，适用于更广泛的MIL应用。

MAD-MIL模型基于多头注意力机制，针对数字病理学中的弱监督整张切片图像分类，展示信息多样性、可解释性和效率的提升。

将动态实例采样和强化学习集成到统一框架中，形成新的动态策略实例选择方案，改进实例选择和特征聚合。

提出多层多实例学习与Transformer结合的方法，有效处理大量实例的MIL任务，在WSI图像分类任务上表现优秀。