可以或许像绘制地图一样，SMMILe，同时正在空间量化方面也表示超卓，并正在 6 种癌症类型（乳腺癌、肺癌、卵巢癌、胃癌和前列腺癌）、3 个高度多样化的分类使命以及包含 3850 张全切片图像的 8 个数据集上对其进行了评估。打破了保守弱监视算法“沉分类、轻定位”的局限，

　　从指导病理学家关心临床感乐趣的区域到发觉新型生物标记物背后的组织表型。研究团队利用两种分歧的编码器——一种是 ImageNet 预锻炼的，正在无需高贵人工标注的前提下，并表白正在所无情况下，然后，研究团队从数学角度证明，空间量化是大大都计较病理学使命中的环节步调，正在这项最新研究中。

　　现代计较病理学方式更倾向于采用多示例进修方式，但这会以空间能力为价格。采用实例级聚合的模子可以或许正在不降低全切片图像预测机能的环境下，为了规避人工标注的需求，从动揣度出肿瘤正在组织中的具体、鸿沟范畴及分歧亚型的空间分布。研究团队引入了一种基于超等补丁的可怀抱多实例进修方式——SMMILe，实现更优的空间量化。