面向高效全切片图像分析的无计算负担域适应方法
计算机视觉与模式识别
2026-03-18 v1
摘要
针对全切片图像（Whole Slide Images, WSI）的计算分析方法，能够通过支持病理学家检测和分类肿瘤，实现早期诊断和治疗。然而，WSI 的极高分辨率使得与典型图像分析任务相比，端到端训练难以实现。为此，大多数方法使用预训练特征提取器获取全切片的固定表示，然后与多实例学习（Multiple Instance Learning, MIL）结合用于下游任务。这些特征提取器通常预训练于自然图像数据集如 ImageNet，无法捕获领域特定特征。虽然基于组织病理学数据的领域特定预训练可获得更相关的特征表示，但仍然计算成本高昂且无法捕获领域内的任务特定特征。为解决域特定预训练的计算成本和缺乏任务特定性的问题，本文提出了 EfficientWSI（eWSI），即将参数高效微调（Parameter-Efficient-Fine-Tuning, PEFT）与多实例学习（MIL）的仔细集成，使 WSI 任务能够实现端到端训练。我们在 Camelyon16、TCGA 和 BRACS 数据集上的七个 WSI 级别任务上评估了 eWSI。我们的结果表明，eWSI 采用 ImageNet 特征提取器时，可获得卓越的分类性能，与使用领域内特征提取器的 MIL 相当或更好，减轻了对大规模领域内预训练的需求。此外，当 eWSI 采用领域内特征提取器时，在大多数情况下可进一步提升分类性能，显示其在有益时能够捕获任务特定信息。我们的发现表明，eWSI 为 WSI 任务提供了面向任务的、计算高效的方法，为计算病理学中的任务特定学习指明了有前景的方向。
引用
@article{arxiv.2603.15774,
title = {Domain Adaptation Without the Compute Burden for Efficient Whole Slide Image Analysis},
author = {Umar Marikkar and Muhammad Awais and Sara Atito},
journal= {arXiv preprint arXiv:2603.15774},
year = {2026}
}