提出问题+提出模块解决问题+验证解决效果（指标+可视化）
MG-Trans: Multi-Scale Graph Transformer With Information Bottleneck for Whole Slide Image Classification
说明WSI使用MIL分类的范式
1.裁剪 2.提特征 3.聚合
每一步都有缺点
PHIM-MIL: Multiple instance learning with prototype similarity-guided feature fusion and hard instance mining for whole slide image classification
E2-MIL: An explainable and evidential multiple instance learning framework for whole slide image classification
问题1：由于切片级别的监督数据稀疏，这些方法通常缺乏对肿瘤区域的良好定位，导致可解释性差
问题2：它们缺乏对预测结果的稳健不确定性估计，导致可靠性差。
Collaborative optimization for whole slide image classification
问题1：当前方法没有协同优化完善实例聚合器或包预测器，只注重一方面
