CytoDiff: 面向医学诊断的AI驱动细胞形态学图像合成
计算机视觉与模式识别
2025-09-03 v2 计算与语言
机器学习
摘要
生物医学数据集通常受到严格的隐私要求限制，并且经常遭受严重的类别不平衡问题。这两个方面阻碍了精确机器学习模型的发展。虽然生成式AI提供了一种有前景的解决方案，但生成足够高质量的合成图像以训练鲁棒分类器仍然具有挑战性。本工作针对单个白细胞的分类问题，这是诊断急性髓系白血病(AML)等血液恶性肿瘤的关键任务。我们引入了CytoDiff，一个使用LoRA权重微调并由少样本样本引导的稳定扩散模型，能够生成高保真的合成白细胞图像。我们的方法在训练数据有限时，显著提升了分类器的性能。使用一个规模小且高度不平衡的真实数据集，每类添加5,000张合成图像后，ResNet分类器的准确率从27%提高到78%(提升51%)。类似地，基于CLIP的分类准确率从62%提高到77%(提升15%)。这些结果确立了合成图像生成作为生物医学机器学习的有价值工具，能够增强数据覆盖范围，促进安全数据共享，同时保护患者隐私。论文代码公开于https://github.com/JanCarreras24/CytoDiff。
引用
@article{arxiv.2507.05063,
title = {CytoDiff: AI-Driven Cytomorphology Image Synthesis for Medical Diagnostics},
author = {Jan Carreras Boada and Rao Muhammad Umer and Carsten Marr},
journal= {arXiv preprint arXiv:2507.05063},
year = {2025}
}
备注
Accepted at ICCV 2025, 7-8 pages