病理尺寸過於巨大，往往沒有辦法直接放入網路裡跑，所以必須切割，但是切割同樣會產生問題，就是標籤該如何給？於是，目前深度學習病理主要有兩個方向，乙個是利用精確注釋的小資料集去實現病理的分類。另乙個就是利用大資料集（可能要10000張wsi），使用mil的方法實現分類。
1、精確注釋小資料集
經典camelyon16\17，這種方法存在個顯著的問題，就是給病理做精確注釋是乙個非常困難的問題，一張病理切片可能需要頂級專家花費很多天才能實現完全標註,這樣給病理專家造成了巨大的工作量，違背了計算機輔助**的初衷（減輕病理專家的負擔並提高病理專家的診斷準確度）
2、大資料集跑mil
需要超級大的資料集，非常不適合大多數科研機構，超大的資料集需要強大的gpu伺服器群（**上千萬）才能實現病理的分類
這將是接下來一段時間的科研方向
深度學習如何解決生物除錯問題？
編者按 深度學習在近幾年實現了巨大的突破，而這一方法也被應用到越來越多的領域，用於解決過去在這些領域難以解決的問題。可以預見，在未來的科研中 深度學習 學科應用 將得到更廣闊的應用，生物學現在面臨著除錯的困難。生化系統 細胞 很複雜，深入研究它是十分有意義的。觀察你所了解的化合物是很有難度的，想要看...
mysql如何解決深度分頁問題
我們一般做深度分頁的時候，sql語句往往如下 select from tb test order by id desc limit 10000,20 limit 10000 20的意思掃瞄滿足條件的10020行，扔掉前面的10000行，返回最後的20行。如果是limit 1000000 100，需要...
深度學習 Dropout如何解決過擬合
在機器學習的模型中，如果模型的引數太多，而訓練樣本又太少，訓練出來的模型很容易產生過擬合的現象 類似於結構力學中的超靜定問題，舉這個栗子是因為作者的專業是工程力學。當然了不保證栗子的準確性。在訓練神經網路的時候經常會遇到過擬合的問題，過擬合具體表現在 模型在訓練資料上損失函式較小，準確率較高 但是在...