DA-SSL：在膀胱肿瘤组织病理学切片中利用基础模型的自监督域适配器
计算机视觉与模式识别
2025-12-16 v1 人工智能
摘要
近期组织病理学中的深度学习框架，特别是多实例学习（MIL）与病理学基础模型（PFMs）的结合，已展现出优异的性能。然而，由于域偏移——这些癌症类型很少被用于预训练，或者标本含有预训练数据中极少见的组织伪影——PFMs 在某些癌症或标本类型上表现出局限性。经尿道膀胱肿瘤切除术（TURBT）的情况即是如此，该样本对于诊断肌层浸润性膀胱癌（MIBC）至关重要，但含有碎片状组织碎屑和电灼伪影，且未在公开可用的 PFMs 中被广泛使用。为解决这一问题，我们提出了一种简单而有效的域自适应自监督适配器（DA-SSL），它无需微调基础模型本身即可将预训练的 PFM 特征重新对齐到 TURBT 域。我们在预测 TURBT 治疗反应中对该框架进行了初步应用，目前该任务对组织形态学特征的利用不足，且识别能从新辅助化疗（NAC）中获益的患者具有挑战性。在我们的多中心研究中，DA-SSL 在五折交叉验证中达到了 0.77+/-0.04 的 AUC，在使用多数投票法的外部测试中准确率为 0.84，敏感性为 0.71，特异性为 0.91。我们的结果表明，采用自监督的轻量级域适应能够有效增强基于 PFM 的 MIL 流程，以应对具有临床挑战性的组织病理学任务。代码可在 https://github.com/zhanghaoyue/DA_SSL_TURBT 获取。
引用
@article{arxiv.2512.13600,
title = {DA-SSL: self-supervised domain adaptor to leverage foundational models in turbt histopathology slides},
author = {Haoyue Zhang and Meera Chappidi and Erolcan Sayar and Helen Richards and Zhijun Chen and Lucas Liu and Roxanne Wadia and Peter A Humphrey and Fady Ghali and Alberto Contreras-Sanz and Peter Black and Jonathan Wright and Stephanie Harmon and Michael Haffner},
journal= {arXiv preprint arXiv:2512.13600},
year = {2025}
}