面向隐私保护的数字病理学的持续域增量学习

近年来，随着能够利用先进深度学习算法建模复杂组织图案的能力，数字病理学领域取得了显著进展。然而，面对数据迁移（例如不同染色剂、器官、中心等）时，这些模型的鲁性往往严重受损。替代方法是持续学习（CL），旨在在学习新数据且分布发生迁移条件下，减少对过去数据的遗忘。具体而言，基于再训练的CL技术通过缓冲区存储部分过去数据，然后与新数据一起重放，已在医学图像分析任务中证明有效。然而，随着这些方法存储过去数据的做法引发隐私问题，催生了我们 novel 的基于生成式潜在重放的持续学习（GLRCL）方法。GLRCL通过高斯混合模型捕获先前分布，而非存储过去样本，然后利用生成的特征与新数据进行潜在重放。我们在组织病理数据中的不同迁移条件下（包括染色剂迁移和器官迁移）系统评估了所提出的框架。我们的做法在性能上显著优于流行的无缓冲区CL方法，并与需要大型缓冲区才能造成严重隐私违规的再训练式CL方法持相当水平。