计算病理学中域生成算法的基准测试
计算机视觉与模式识别
2025-11-12 v2 人工智能
机器学习
摘要
深度学习模型在计算病理学 (CPath) 任务中显示出巨大的潜力，但在应用至未见数据时因域迁移而导致性能下降。针对这一问题需要采用域生成 (DG) 算法。然而，目前缺乏对 DG 在 CPath 语境下系统评估。本研究通过 7,560 次交叉验证，对 30 种 DG 算法在 3 项难度不同的 CPath 任务上的有效性进行基准测试。我们采用统一且稳健的平台进行评估，融入专门的技术措施和最新进展如预训练基础模型。我们的广泛交叉验证实验提供了对各种 DG 策略相对性能的洞见。我们观察到自监督学习和染色增强始终优于其他方法，凸显了预训练模型和数据增强的潜力。此外，我们引入了一个新的全癌种肿瘤检测数据集 (HISTOPANTUM) 作为未来研究的基准。本研究为研究人员在 CPath 任务中选择合适的 DG 方法提供了宝贵指导。
引用
@article{arxiv.2409.17063,
title = {Benchmarking Domain Generalization Algorithms in Computational Pathology},
author = {Neda Zamanitajeddin and Mostafa Jahanifar and Kesi Xu and Fouzia Siraj and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2409.17063},
year = {2025}
}