AdvDINO：基于域对抗自监督学习的空间组学表征
计算机视觉与模式识别
2026-04-14 v2 人工智能
摘要
自监督学习（SSL）已成为一种强大的无需手动标注即可学习视觉表征的方法。然而，标准SSL方法对域迁移——数据源之间系统性差异——的鲁棒性仍不确定，这在生物医学成像中尤为关键，因为批次效应可能遮蔽真实的生物信号。我们提出AdvDINO，一种域对抗SSL框架，将梯度反转层集成到DINOv2架构中，以促进域无关特征学习。应用于来自肺癌患者的六通道多组化免疫荧光（mIF）全切片图像中超过546万张图像块的真实世界队列，AdvDINO缓解了切片特定偏差，学习出比非对抗基线方法更具鲁棒性和生物学意义的表征。该模型发现具有不同组学轮廓和预后意义的表型簇，并通过基于注意力的多实例学习实现优异的生存预测性能。 improved robustness 也扩展到乳腺癌队列。虽然在mIF数据上进行了演示，AdvDINO广泛适用于其他医学成像领域，其中存在域迁移问题。
引用
@article{arxiv.2508.04955,
title = {AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics},
author = {Stella Su and Marc Harary and Scott J. Rodig and William Lotter},
journal= {arXiv preprint arXiv:2508.04955},
year = {2026}
}
备注
Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026