複数インスタンス学習（Multiple Instance Learning, MIL）は、全スライド画像（Whole Slide Image, WSI）を用いた病理診断における弱教師あり分類問題を解決する強力な手法である。しかし、現行のMIL手法は通常、独立同一分布（i.i.d.）仮定に基づいているため、異なるインスタンス間の相関関係を無視している。この問題に対処するため、本研究では相関を考慮した新しい枠組み「相関MIL（Correlated MIL）」を提案し、収束性に関する理論的証明も提供した。この枠組みを基盤として、形態的および空間的情報を同時に捉えるTransformerベースのMILモデル「TransMIL」を設計した。提案するTransMILは、不均衡／均衡、二値／多値分類のいずれに対しても優れた性能を発揮し、可視化性と解釈可能性にも優れている。異なる3つの計算病理学的課題に対して広範な実験を実施した結果、最先端手法と比較してより優れた性能と高速な収束を達成した。特に、CAMELYON16データセットにおける二値腫瘍分類のテストAUCは最大93.09％に達した。また、TCGA-NSCLCデータセットおよびTCGA-RCCデータセットにおける癌亜型分類では、それぞれAUCが96.03％および98.82％に達した。実装コードは以下のGitHubリポジトリで公開されている：https://github.com/szc19990412/TransMIL。