病理诊断是癌症诊断的“金标准”，病理医生通过对病理切片图像的组织、细胞进行形态学观察做出癌症的临床诊断。鉴于病理诊断是临床检查中不可或缺的环节，开展基于人工智能的癌症辅助诊断研究有着非常广阔的应用前景。癌症区域分割问题是癌症辅助诊断的重要组成部分，亦是病理图像分析的难点之一。病理图像语义分割是典型的像素级预测问题，传统模式识别算法需要专业医生的细粒度标注，这在超大尺度的病理图像（100亿级像素）上几乎不可实现。弱监督学习主要解决不确切监督问题，例如图像只有粗粒度标签但需完成细粒度预测任务。

进一步，本课题组将深度监督思想与弱监督学习相结合，构建了深度弱监督模型（Deep Weak Supervision）。该方法性能和效率性均比传统方法有质的提升，速度提高12倍，分割准确率提高20.6%（从61.7%到82.3%）。在数据标注成本显著降低的前提下，精度达到了与全监督模型持平的效果，为产业化应用铺平了道路。相关研究成果发表在医学图像权威期刊 《IEEE Transactions on Medical Imaging (TMI)》。

弱监督学习框架图