CLEAR：面向分布外转移的鲁棒组织病理肿瘤检测因果学习框架
计算机视觉与模式识别
2026-03-30 v2
摘要
组织病理学中的分布迁移，常由获取过程或数据来源差异引起，构成深度学习模型泛化能力的主要挑战。现有方法主要依赖通过对齐特征分布或引入统计波动来建模统计相关性，却忽视了因果关系。本文提出一种新型因果推断框架，利用语义特征同时减轻混杂变量的影响。我们方法通过设计明确包含中介变量和观察组织病理切片的转换策略，实现前脉门原则。我们在CAMELYON17数据集和私有组织病理数据集上进行验证，在未见分布上实现持续的性能提升。结果表明，我们的方法在CAMELYON17数据集和私有组织病理数据集上均实现了最高7%的性能提升，超越现有基线方法。这些结果凸显了因果推断在组织病理图像分析中应对分布迁移的强大潜力。
引用
@article{arxiv.2510.14273,
title = {CLEAR: Causal Learning Framework For Robust Histopathology Tumor Detection Under Out-Of-Distribution Shifts},
author = {Kieu-Anh Truong Thi and Huy-Hieu Pham and Duc-Trong Le},
journal= {arXiv preprint arXiv:2510.14273},
year = {2026}
}