本文已参与「新人创作礼」活动，一起开启掘金创作之路。
今天介绍一些WSI分类的文献。涉及三种比较主要的技术：传统的特征分类，CNN和Transformer。
传统特征WSI分类
Classification of Tumor Histology via Morphometric Context
这个比较简单，主要利用细胞核的形态对WSI进行分类。用的是TCGA数据集。
Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features 这个是NC的文章，很像影像组学，就是提取一堆特征，然后建模预后。评估非小细胞肺癌。
基于CNN的分类方法
Patch-based Convolutional Neural Network for Whole Slide Tissue Image Classification
这是CVPR的文章。
首先是对每个patch进行训练，然后将训练的预测结果构建一个灰度直方图，然后再用直方图训练一个分类模型。
Deep learning-based classification of mesothelioma improves prediction of patient outcom
这个是nature medicine的文章。
使用的也是对patch提取特征，然后构建特征矩阵，接着用CNN预测的路线。这种方法做的人还是比较少了。
Clinical-grade computational pathology using weakly supervised deep learning on whole slide images
这个也是nature medicine的文章，算是比较令人熟知的WSI分类文章之一。
原理也很简单，就是用CNN选择出概率值比较高的patch，然后使用RNN分类。效果很不错，从文中的报道看。
Whole slide images based cancer survival prediction using attention guided deep multiple instance learning networks
MIA的文章，算是WSI分类做的比较早的MIA了。
他的想法比较有意思。整体上是多实例学习MIL。但他将多实例细化了。首先用无监督对patch进行聚类，然后将每一个类当成是一个包。也比较make sense.因为病理图像中可能多种不同的组织，聚类可以让组织的patch大致的聚集到一块。
DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning for Histopathology Whole Slide Image Classification
这是CVPR2022的文章。
和上面的文章类似，也是分成多个包处理。但他的伪包是随机分配的。出发点就是WSI中的patch太多，一个包学不到足够的知识。所以分级处理多个包。
Dual-stream multiple instance learning network for whole slide image classification with self-supervised contrastive learning
这是CVPR2021的文章
看结构图就很一目了然，就是利用了多个分辨率的图像。获取了更多不同大小的视野。
基于Transformer的WSI分类模型
End-to-End diagnosis of breast biopsy images with transformers
MIA 2022的文章
从结构图中也能看出，其实就是Transformer的魔改。
TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification
NIPS2021的文章。算是比较有意思的WSI分类模型。
作者将每个patch作为一个词向量，输入Transformer，并且中间结合了卷积。效果很不错。
Data-efficient and weakly supervised computational pathology on whole-slide images
这个可能是现在follow最多的文章之一。CLAM。
就是patch级别特征的多实例学习。
Scaling Vision Transformers to Gigapixel Images via Hierarchical Self-Supervised Learning
这是CVPR2022的文章。值得一提的是这也是CLAM这个文章同一个单位出的。他们对病理图像有着很不错的研究，大杂志发了很多。
当时一看这个图，我就知道这个文章是怎么做的。简直make sense到不行。就是把小倍率的patch送入transformer，然后将他的class token一级一级的往上聚合。非常符合WSI的存储方式，也符合医生的阅片习惯。
今天就介绍这么多吧。
