全切片图像分析

每种错误都有其严重程度：面向多类多示例学习的不对称错误严重度训练

Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning

把类别间的临床严重程度编码成层次结构与严重度加权交叉熵，可直接迁移到任何多类医学图像分类（如分级诊断、病变分型）中，用来压低高危误判；配套的非对称 Mikel's Wheel 指标也提供了一个可复用的、按错误严重度加权的评测方式。