基于大规模预训练与测试时适应的可泛化宫预癌筛查
定量方法
2025-02-17 v1 计算机视觉与模式识别
图像与视频处理
摘要
宫预癌是女性生殖系统的主要恶性肿瘤。尽管AI辅助的骨髓细胞学提供了一种成本效益高且非侵入性的筛查解决方案，但当前系统在复杂临床情景下仍难以实现良好的可泛化性。为此，我们提出了基于预训练与适应的可泛化宫预癌筛查范式——Smart-CCS。为开发与验证 Smart-CCS，我们首先构建了大规模、跨中心的数据集，命名为 CCS-127K，总计 127,471 张来自 48 个医疗中心的宫预细胞学全切片图像。通过利用大规模自监督预训练，我们的 CCS 模型具备强大的泛化能力，能够在多样化场景中迁移应用。随后，我们引入测试时适应技术，针对复杂临床环境对已训练的模型进行优化，提升实际应用效果。我们对系统进行了大规模评估，涵盖多个队列。在回溯队列中，Smart-CCS 在 11 个内部测试数据集上实现了 0.965 的整体ROC-AUC 和 0.913 的灵敏度。在外部测试中，系统在 6 个独立测试数据集上保持 0.950 的 AUC。在前瞻队列中，Smart-CCS 在三个前瞻中心分别达到 0.947、0.924 和 0.986 的 AUC。此外，系统在诊断宫预癌方面表现出优异的灵敏度，凭借组织学发现验证了筛查结果的准确性。解读性分析通过细胞和切片预测进一步表明，系统的决策过程与临床实践高度一致。Smart-CCS 代表了在多样化临床情境下实现宫预癌筛查的重要突破。
引用
@article{arxiv.2502.09662,
title = {Generalizable Cervical Cancer Screening via Large-scale Pretraining and Test-Time Adaptation},
author = {Hao Jiang and Cheng Jin and Huangjing Lin and Yanning Zhou and Xi Wang and Jiabo Ma and Li Ding and Jun Hou and Runsheng Liu and Zhizhong Chai and Luyang Luo and Huijuan Shi and Yinling Qian and Qiong Wang and Changzhong Li and Anjia Han and Ronald Cheong Kin Chan and Hao Chen},
journal= {arXiv preprint arXiv:2502.09662},
year = {2025}
}