用中文的表达润色以下句子：训练用于计算病理学的深度学习方法，需要对具有千兆像素的全切片病理图像(Whole Slide Images,WSI)进行人工标注，或者需要标注了全切片级别标签的大型病理图像数...

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