本研究提出了GroupMIL框架，解决了现有生存预测方法在病理特征捕捉方面的不足。该模型通过将多个幻灯片视为一个样本，显著提升了生存风险和概率评估的准确性，具有重要的临床应用潜力。

提出了一种名为Multi-Scale Patch Message Passing Swin Transformer的新框架，用于多类视网膜疾病分类的精确诊断。该框架通过Patch Message Passing（PMP）模块建立病理语义特征的全局交互，并整合多个PMP模块来处理不同大小的病理特征。实验结果表明，该方法在公共数据集和自建数据集上相比最先进的方法具有显著的性能。