非典型与正常有丝分裂分类的深度学习与视觉基础模型基准测试：跨数据集评估
计算机视觉与模式识别
2026-04-30 v4
摘要
非典型有丝分裂标志着细胞分裂过程中的异常，已被证明是肿瘤恶性程度的独立预后标志物。然而，由于非典型有丝分裂的发病率低、有时与正常有丝分裂象在形态上差异细微、病理学家之间的一致性低以及数据集中的类别不平衡，其分类仍然具有挑战性。本研究基于乳腺癌非典型有丝分裂数据集（AMi-Br），提出了一项全面的基准测试，比较了用于自动化非典型有丝分裂象（AMF）分类的深度学习方法，包括端到端训练的深度学习模型、采用线性探测的基础模型以及使用低秩自适应（LoRA）微调的基础模型。为了进行严格的评估，我们进一步引入了两个新的保留AMF数据集——AtNorM-Br（来自TCGA乳腺癌队列的有丝分裂象数据集）和AtNorM-MD（来自MIDOG++训练集子集的多领域有丝分裂象数据集）。我们发现，在域内AMi-Br数据集以及域外AtNorm-Br和AtNorM-MD数据集上，平均平衡准确率分别高达0.8135、0.7788和0.7723。我们的工作表明，非典型有丝分裂象分类虽然是一个具有挑战性的问题，但可以通过利用迁移学习和模型微调技术的最新进展来有效解决。我们在以下GitHub仓库中提供了本文使用的所有代码和数据：https://github.com/DeepMicroscopy/AMi-Br_Benchmark。
引用
@article{arxiv.2506.21444,
title = {Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation},
author = {Sweta Banerjee and Viktoria Weiss and Taryn A. Donovan and Rutger H. J. Fick and Thomas Conrad and Jonas Ammeling and Nils Porsche and Robert Klopfleisch and Christopher Kaltenecker and Katharina Breininger and Marc Aubreville and Christof A. Bertram},
journal= {arXiv preprint arXiv:2506.21444},
year = {2026}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:006