多实例学习（MIL）是一种用于病理学图像分类的流行方法。研究者提出了PAMT，一种基于提示的自适应模型转换框架，通过适应组织病理学数据的特点来提高MIL分类性能。PAMT使用代表性补丁采样和典型视觉提示来重构输入数据，构建紧凑且信息丰富的表示。此外，引入了适应性模型转换来缩小域差异。在两个公开数据集上的评估显示，PAMT显著改进了各种MIL模型的性能。研究证实了PAMT在WSI分类中的潜力，并强调了有针对性的重新编程方法的价值。