複数インスタンス学習（Multiple Instance Learning, MIL）は、組織病理学的全体スライド画像（Whole Slide Images, WSIs）の分類においてますます広く利用されている。しかし、この特定の分類問題に対して用いられるMILアプローチは、依然として独自の課題に直面しており、特に小規模なサンプルコホートに関する問題が顕著である。このような状況では、WSIスライド（バグ）の数が限られている一方で、1枚のWSIの解像度は極めて高く、その結果、スライドから抽出されるパッチ（インスタンス）の数が膨大になる。この問題に対処するため、本研究では「仮想バグ（pseudo-bags）」という概念を導入し、バグ数を仮想的に増加させる手法を提案する。これに基づき、インスタンスの内在的特徴を効果的に活用できる二段階MILフレームワークを構築した。さらに、注目メカニズムを用いたMILの枠組みにおいて、インスタンスの確率を導出する手法も提案し、その導出結果を用いて本手法の構築と分析を支援した。提案手法はCAMELYON-16データセットにおいて、他の最新手法と比べて著しく優れた性能を示し、TCGA肺がんデータセットにおいても高い性能を達成した。本フレームワークは、より広範なMIL応用への拡張が可能である。実装コードは以下のURLから公開されている：https://github.com/hrzhang1123/DTFD-MIL