本文提出了多种基于多示例学习（MIL）的方法，以提高全幻灯片图像（WSI）分类和肿瘤检测的准确性。通过引入稀疏编码、注意力机制和虚拟伪包等技术，实验结果表明这些方法在性能和计算效率上优于现有技术，适用于数字病理学中的弱监督任务。

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。

提出了一种基于多样性全局表示（DGR-MIL）的新型 MIL 聚类方法，通过建模实例之间的差异，以及使用一组全局向量来从实例中提取摘要。该方法在 CAMELYON-16 和 TCGA 肺癌数据集上明显优于现有的 MIL 聚类模型。

本文提出了一种新的基于Transformer的MIL方法，探索形态和空间信息，对三个计算病理学问题进行了测试，结果表明该方法具有更好的性能和更快的收敛速度，测试AUC可以达到93.09％，在TCGA-NSCLC和TCGA-RCC数据集上，癌症亚型分类的AUC分别可以达到96.03％和98.82％。