多實例學習是種常用於訓練病理資料的機器學習方法。在傳統的監督式學習中，每個單獨的樣本都會有一個獨立的標籤，而MIL的訓練樣本是以一組組袋（bag）的形式而非單一樣本存在。每一個袋中則包含了多個樣本，使得在進行標註時只需要給每一袋相同的標註即可。這能在進行如腫瘤或是病變組織分析時省下大量標註單一細胞的時間。模型利用袋中的實例進行特徵學習，並進行最終的分類，以判斷整體樣本的性質，如是否為腫瘤或病變組織。

多實例學習實際利用

可以先閱讀：CLAM:MIL
在CLAM模型中直接使用整個WSI影像進行訓練非常困難。因此在訓練模型時，會先將WSI切分成大量的小區塊再輸入模型中，而將這些切片中的各個細胞單獨人工標記是項浩大的工程。透過MIL，醫師將不需要針對單一細胞進行標記，可以直接給予整個WSI標記即可開始訓練，這將大幅的減少醫師端所需要付出的時間及勞力。除了省時，MIL對於WSI中特徵組織的不確定性也有所幫助，由於同一張WSI的所有區塊共享相同的標記，這能夠提升對非典型組織的判斷準確度。