如何解决深度学习病理存在的问题（未完待续）

病理图片尺寸过于巨大，往往没有办法直接放入网络里跑，所以必须切割，但是切割同样会产生问题，就是标签该如何给？于是，目前深度学习病理主要有两个方向，一个是利用精确注释的小数据集去实现病理的分类。另一个就是利用大数据集（可能要10000张WSI），使用MIL的方法实现分类。

1、精确注释小数据集
经典camelyon16\17，这种方法存在个显著的问题，就是给病理图片做精确注释是一个非常困难的问题，一张病理切片可能需要顶级专家花费很多天才能实现完全标注,这样给病理专家造成了巨大的工作量，违背了计算机辅助治疗的初衷（减轻病理专家的负担并提高病理专家的诊断准确度）

2、大数据集跑MIL
需要超级大的数据集，非常不适合大多数科研机构，超大的数据集需要强大的GPU服务器群（价格上千万）才能实现病理的分类

如何解决上述的问题呢

这将是接下来一段时间的科研方向