通过 in-context control samples 关闭生物医学成像中的领域差距
机器学习
2026-04-23 v1 定量方法
摘要
生物医学成像的核心问题是batch effects：与感兴趣的生物信号无关的系统性技术差异。这些batch effects严重削弱了实验可重复性，是深度学习系统在新实验批次上失败的主要原因，阻碍了其在现实世界中的实际应用。尽管多年来都在研究，仍无方法成功地在深度学习模型上关闭这一性能差距。我们提出了Control-Stabilized Adaptive Risk Minimization via Batch Normalization（CS-ARM-BN），这是一种基于元学习的适应方法，利用负控制样本。此类未受扰动的参考图像是每个实验批次中按设计出现的，作为适应的稳定上下文。我们在大规模JUMP-CP数据集上对机制作用（Mechanism-of-Action, MoA）分类进行了验证，这是药物发现中的关键任务。标准ResNet的准确率从训练域上的0.939 ± 0.005，下降到来自新实验批次的数据上0.862 ± 0.060。即使在典型变异归一化后，基础模型也无法关闭这一差距。我们首次展示了元学习方法通过实现0.935 ± 0.018的准确率来关闭领域差距。如果新的实验批次 exhibit strong domain shifts（强烈的领域偏移），例如在不同的实验室中生成，则可通过控制样本来稳定元学习方法，而这些样本始终存在于生物医学实验中。我们的工作表明，生物医学成像数据中的batch effects可以通过原则化的in-context适应方法有效中和，这也使其在实用性和效率方面具有优势。
引用
@article{arxiv.2604.20824,
title = {Closing the Domain Gap in Biomedical Imaging by In-Context Control Samples},
author = {Ana Sanchez-Fernandez and Thomas Pinetz and Werner Zellinger and Günter Klambauer},
journal= {arXiv preprint arXiv:2604.20824},
year = {2026}
}