S.E. Digital Pathology System

CNN是一種用於處理圖像數據的深度學習模型，能用於圖像辨識、分類和提取特徵等。應用於醫療中可以幫助分析醫學影像並檢測腫瘤、病變區域等。

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。

注意力模型是深度學習中經常使用的一項技術。如同他的名字一般，注意力模型會學習資料中關鍵的部分，並加強其學習權重。這能讓在訓練多層數模型時，梯度穩定且提升模型的性能，針對翻譯、圖像或是語音處理都有良好的效果。

叢集類的題目是機器學習中常見的一種應用，在一般的叢集模型中，模型會自動的依據輸入資料的特徵進行分類，例如將病例作為訓練資料時，模型會自動依據病史、症狀、性別等因素將病人進行分類，這種學習模式稱為非監督式學習，意即在沒有人為標註的情況下，模型自動進行分群。此種模型的缺點在於分類的特徵並不一定重要，這時就需要使用到條件性叢集這種半監督式學習模型。在訓練半監督式模型時，需要先人工的給予標記，機器則會依據給予的標記進行學習分群。在病理影像中，這能使使用者訓練出符合需求的模型，比如分辨普通和病變細胞等，能夠聚焦於醫師關注的特定特徵。