从老犬学新招——有丝分裂图评估的跨物种跨组织域适应

对于组织病理学肿瘤评估，每面积有丝分裂图计数预后是重要部分。算法方法——例如有丝分裂图识别——近期已显著改进，未来可能实现计算机增强或全自动筛查系统。全切片扫描显微镜在许多病理实验室可用进一步支持了这一趋势，并可能很快成为标准成像工具。要使此类算法在更广领域应用，相应组织类型和物种的足够大规模有丝分裂图数据集的可用性是重要前提，然而这很少满足。尽管例如人乳腺癌的算法性能因该领域多次挑战赛而稳步提升，但大多数肿瘤类型并无数据集可用。本工作中，我们评估了使用域对抗训练在四个数据集（两个来自狗，两个来自人）上进行有丝分裂图识别的域迁移。我们表明，将从犬类学习的有丝分裂图分类应用于人类数据集时，域对抗训练显著提高了准确性（准确率提升高达 +12.8%），因此是能将已有数据集的知识迁移到新组织类型和物种的有用方法。