基于隐私感知持续学习的领域增量白细胞分类
机器学习
2025-03-26 v1 计算机视觉与模式识别
摘要
白细胞（WBC）分类在血液学中对于诊断各种医疗状况起着至关重要的作用。然而，由于样本来源（例如血液或骨髓）的变化以及各医院成像条件的差异导致的领域偏移，该任务面临重大挑战。传统深度学习模型在此类动态环境中常遭遇灾难性遗忘，而基础模型尽管总体稳健，但当推理数据分布与训练数据分布不同时，其性能也会下降。为了应对这些挑战，我们提出了一种基于生成重放的持续学习（CL）策略，旨在防止基础模型在 WBC 分类中发生遗忘。我们的方法采用轻量级生成器，利用合成的潜在表示来模拟过去数据，从而实现隐私保护的重放。为了展示其有效性，我们使用总共四个具有不同任务顺序的数据集以及包括 ResNet50、RetCCL、CTransPath 和 UNI 在内的四个骨干模型进行了广泛实验。实验结果表明，传统的微调方法会降低在已学任务上的性能，且难以应对领域偏移。相比之下，我们的持续学习策略有效缓解了灾难性遗忘，在不同领域间保持了模型性能。这项工作为在数据分布频繁演变的真实临床环境中维持可靠的 WBC 分类提供了一种实用解决方案。
引用
@article{arxiv.2503.19819,
title = {Domain-incremental White Blood Cell Classification with Privacy-aware Continual Learning},
author = {Pratibha Kumari and Afshin Bozorgpour and Daniel Reisenbüchler and Edgar Jost and Martina Crysandt and Christian Matek and Dorit Merhof},
journal= {arXiv preprint arXiv:2503.19819},
year = {2025}
}