在本文中,我们提出了一种可解释的弱监督深度学习方法——聚类约束注意多实例学习(Clustering-constrained-attention Multiple-instance Learning, CLAM),它可以有效地处理和学习具有千兆像素的全切片病理图像(Whole Slide Images,WSI),而不需要进行人工标注,也不需要大型病理图像数据集标注了全切片级别标签。CLAM通过注意力机制来识别具有高诊断价值的子区域,并在识别出的代表区域上进行实例级聚类,以限制和细化特征空间,以实现对整个WSI的准确分类,而且不存在域适应和可解释性差的问题。实验结果表明,CLAM和标准的弱监督分