本研究提出了一种新颖的多实例学习专用Dropout方法（MIL-Dropout），旨在解决特征噪声和弱监督问题。实验结果表明，去掉包中最重要的前k个实例能显著提升模型性能，且计算成本几乎可以忽略不计。

本研究提出了一种新的概率空间注意力多实例学习框架（PSA-MIL），旨在解决全滑动图像分类中传统方法无法充分利用空间关系的问题。该方法通过可学习的距离衰减先验，将空间上下文融入注意力机制，从而提高分类准确性并降低计算成本。

本研究提出了一种适应尺度的多实例学习方法（SMILE），旨在改善STAS肺癌的病理诊断。通过引入尺度自适应注意机制，SMILE在多个数据集上超越了临床平均AUC，为计算病理学的发展奠定了基础。

本研究探讨社交媒体谣言与立场检测的互补性，提出了一种基于大语言模型的多实例学习方法，并通过微观博客传播模型进行弱监督。实验结果表明，该方法在多个数据集上表现优异。

本研究提出了一种无标签的多实例学习方法，专注于千兆像素的组织病理学图像分析，解决了解释性不足的问题。该方法通过生成可理解的病理概念，消除了对昂贵人工注释的需求，实验结果表明其在主流数据集上表现优异，具有良好的应用前景。

本文提出了多种改进的多实例学习（MIL）方法，以提高组织病理学全幅切片图像（WSI）的分析性能。包括Hierarchical Attention-Guided框架、改良位置嵌入和自解释MIL方法等，均在多个数据集上表现优异。此外，PathM3框架和PAMT模型通过有效结合图像和文本，提升了分类准确性和生成能力，展示了在临床应用中的潜力。

本研究利用机器学习技术分析胎盘全切片图像，以识别母体炎症反应（MIR）。结果表明，基于注意力的多实例学习模型实现了88.5%的分类准确率，为MIR的早期识别提供了新方法。

本文介绍了一种基于深度卷积自编码神经网络的画家分类新方法，分类准确率从90.44%提高至96.52%。研究还提出了弱监督检测绘画作品中物体的方法，结合多实例学习，减少了手动标记的需求。此外，探讨了AI生成艺术的分类与管理，使用迁移学习和机器学习实现画家的自动识别，分类准确率达到85%。

本文提出了多种基于多实例学习（MIL）的方法，以提高全切片图像（WSI）分析的准确性和可解释性。研究涵盖自解释MIL、属性驱动MIL和FocusMIL等框架，均在癌症检测和分类任务中表现出色，推动了数字病理学的发展。

本文提出了一种基于深度学习的多实例学习方法，用于从组织病理学图像中识别癌症亚型，测试结果显示其准确性优于传统方法。研究强调了该方法在癌症检测中的应用潜力，并提出了染色规范化模型以提高特征泛化能力，解决了数字病理学中的特征聚类问题。

本文探讨了多实例学习（MIL）在全切片图像（WSI）分类中的应用，提出了虚拟伪包、基于注意力的框架和自适应伪包增强等创新方法，显著提高了分类准确性和模型训练效率。这些方法在多个数据集上表现优异，展示了MIL在病理学中的潜力。

本文介绍了多种新方法解决部分标签学习和多实例多标记学习问题，包括MIMLfast、NCPD和PiCO框架。这些方法通过优化损失函数、消歧策略和对抗学习等手段，提高了模型在复杂数据集上的性能和鲁棒性，实验结果显示优于现有算法。

本文介绍了一种基于注意力机制的多实例学习模型FocusMIL，专注于癌症分级和区域检测，尤其在前列腺癌中表现优异。研究强调局部细节在癌症检测中的重要性，并提出多种深度学习方法，显著提升了分类性能和困难实例的识别能力。

本文提出了一种基于多实例学习（MIL）的方法，用于全幻灯片图像（WSI）的分类和肿瘤检测，强调自我监督学习和金字塔融合机制。研究表明，引入虚拟伪袋和双层MIL框架显著提高了分类准确性。此外，提出的TPMIL框架和无监督WSI分类算法在实验中表现优越，推动了肿瘤检测的进展。

本文讨论了多实例学习（MIL）在组织病理学中的应用，提出了引入虚拟伪袋、因果推断和跨度注意机制等新方法，显著提高了医学图像分析的准确性和可解释性。这些方法在多个数据集上表现优异，推动了癌症诊断和个性化医疗的发展。

本文探讨了多实例学习（MIL）在组织病理学全幻灯片图像分类中的应用，提出了基于虚拟伪袋的双层MIL框架和改良位置嵌入的长上下文方法。这些方法通过整合多尺度信息和空间相关性，显著提高了肿瘤亚型识别的准确性，并在多个数据集上表现出优异的性能。

该研究提出了多种基于多实例学习的框架，以提高癌症检测和亚型区分的医学图像分类准确性。通过数据增强、空间相关性分析和自动标签筛查方法，显著提升了细胞学膀胱癌筛查的效率和准确性。

本文探讨了多实例学习（MIL）在组织病理学中的应用，提出了多种新方法以提高全幻灯片图像（WSI）分类和肿瘤检测的准确性。这些方法包括虚拟伪包、基于注意力机制的模型和原型学习框架，均显示出优于现有技术的性能，推动了自动化病理工作流程的发展。

本文介绍了一种结合多实例学习和大型语言模型的弱监督学习方法，用于病理全幻灯片图像分类。研究提出了CLAM和PAMT等框架，以提高癌症检测和亚型分类的准确性。通过数据增强和特征提取，模型在多个公开数据集上表现出显著改进，展示了深度学习在组织病理学中的应用潜力。

该研究应用多实例学习和特征提取方法，探索乳腺癌肿瘤及免疫表型，开发计算病理学标志物。提出基于深度学习的多模态学习框架，结合组织学和基因组特征，提高癌症预后预测的准确性，并验证其在多种癌症类型中的优越性能。