用于组织学图像分类与定位的深度弱监督学习方法：综述

利用深度学习模型从组织学数据诊断癌症面临若干挑战。这些图像中的癌症分级与感兴趣区域（ROIs）定位通常依赖于图像级和像素级标签，后者需要昂贵的标注过程。深度弱监督目标定位（WSOL）方法为低成本训练深度学习模型提供了不同策略。仅使用图像类别标注，这些方法可被训练以对图像分类，并生成用于ROI定位的类激活图（CAMs）。本文综述了用于WSOL的先进深度学习（DL）方法。我们提出了一种分类法，依据模型中的信息流将这些方法划分为自底向上与自顶向下方法。尽管后者进展有限，近期的自底向上方法正推动深度WSOL方法的诸多进展。早期工作聚焦于设计不同的空间池化函数。然而，这些方法定位精度有限，并揭示了一个主要局限——CAMs的欠激活导致高假阴性定位。后续工作旨在缓解该问题并恢复完整目标。我们在两个具有挑战性的组织学数据集上，按分类与定位精度对分类法中的代表性方法进行了评估与比较。总体而言，结果表明定位性能较差，特别是最初为处理自然图像而设计的通用方法。专为应对组织学数据挑战而设计的方法取得了良好结果。但所有方法均存在高假阳性/假阴性定位问题。我们明确了在组织学中应用深度WSOL方法的四个关键挑战——CAMs的欠/过激活、对阈值的敏感性以及模型选择。