1.一种基于Transformer的多尺度二阶病理图像分类方法，其特征在于，包括：

获取待分类病理图像，对待分类病理图像进行预处理；

将预处理后的待分类病理图像输入至Swin Transformer网络中，提取待分类病理图像的多尺度特征；所述多尺度特征包含来自不同阶段的单尺度特征，不包含Swin Transformer网络第一阶段提取的特征；

将多个单尺度特征分别输入至二阶池化模块和一阶池化模块，提取单尺度二阶特征和单尺度一阶特征；具体过程为，将每个单尺度特征分别输入至二阶池化模块，采用二阶池化处理，提取单尺度二阶特征：将单尺度特征输入至二阶池化模块，对单个尺度的特征维度进行特征映射；通过重塑操作对单尺度特征的维数进行分组，并计算相邻组之间的协方差矩阵；拼接各协方差矩阵获得整体协方差矩阵，对整体协方差矩阵进行展平操作获得单尺度二阶特征；将每个单尺度特征分别输入至一阶池化模块，通过全局平均池化计算单尺度一阶特征；

分别对所述单尺度二阶特征和单尺度一阶特征进行类别预测，并联合预测结果，获得单尺度预测分数；具体为：其中， 和 表示用于分类的全连接层， 和 分别表示单尺度一阶特征和单尺度二阶特征，表示Swin Transformer的第个阶段；通过计算均值获得单尺度预测分数 ；

融合多个单尺度预测分数，输出待分类病理图像的类别预测结果；具体为，通过对多个单尺度预测分数进行求和，得到最终类别预测结果。

2.如权利要求1所述的基于Transformer的多尺度二阶病理图像分类方法，其特征在于，所述预处理包括：使用随机水平翻转图像、随机垂直翻转图像以及随机旋转图像的数据增强方式，统一待分类病理图像的尺寸。

3.一种基于Transformer的多尺度二阶病理图像分类系统，其特征在于，包括：

图像获取及预处理模块，用于获取待分类病理图像，对待分类病理图像进行预处理；

多尺度特征提取模块，用于将预处理后的待分类病理图像输入至Swin Transformer网络中，提取待分类病理图像的多尺度特征；所述多尺度特征包含来自不同阶段的单尺度特征，不包含Swin Transformer网络第一阶段提取的特征；

单尺度特征池化模块，用于将多个单尺度特征分别输入至二阶池化模块和一阶池化模块，提取单尺度二阶特征和单尺度一阶特征；具体过程为，将每个单尺度特征分别输入至二阶池化模块，采用二阶池化处理，提取单尺度二阶特征：将单尺度特征输入至二阶池化模块，对单个尺度的特征维度进行特征映射；通过重塑操作对单尺度特征的维数进行分组，并计算相邻组之间的协方差矩阵；拼接各协方差矩阵获得整体协方差矩阵，对整体协方差矩阵进行展平操作获得单尺度二阶特征；将每个单尺度特征分别输入至一阶池化模块，通过全局平均池化计算单尺度一阶特征；

单尺度预测分数计算模块，用于分别对所述单尺度二阶特征和单尺度一阶特征进行类别预测，并联合预测结果，获得单尺度预测分数；具体为：其中， 和 表示用于分类的全连接层， 和 分别表示单尺度一阶特征和单尺度二阶特征，表示Swin Transformer的第个阶段；通过计算均值获得单尺度预测分数 ；

最终分类预测模块，用于融合多个单尺度预测分数，输出待分类病理图像的类别预测结果；具体为，通过对多个单尺度预测分数进行求和，得到最终类别预测结果。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1‑2中任一项所述的基于Transformer的多尺度二阶病理图像分类方法中的步骤。

5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑2中任一项所述的基于Transformer的多尺度二阶病理图像分类方法中的步骤。