HASD：面向病理切片级域迁移的层次化适应
人工智能
2025-08-11 v2
摘要
域迁移是病理 AI 中的关键问题，因为病理数据受中心特定条件的强烈影响。当前的病理域适应方法关注图像块而非 WSI，因而无法捕获临床场景中所需的全局 WSI 特征。在本工作中，我们针对切片级域迁移挑战，提出了面向切片级域迁移的层次化适应框架（HASD）。HASD 通过两个关键组件实现多尺度特征一致性和计算效率的切片级域适应：（1）层次化适应框架集成了用于特征对齐的 Domain-level Alignment Solver、用于保持形态结构的 Slide-level Geometric Invariance Regularization，以及用于维持局部关键诊断线索的 Patch-level Attention Consistency Regularization；（2）原型选择机制降低了计算开销。我们在两个切片级任务上通过五个数据集验证了该方法，在乳腺癌 HER2 评分队列中实现了 4.1% 的 AUROC 提升，在 UCEC 生存预测队列中实现了 3.9% 的 C-index 提升。该方法为病理机构提供了实用且可靠的切片级域适应解决方案，最小化计算和标注成本。
引用
@article{arxiv.2506.23673,
title = {HASD: Hierarchical Adaption for pathology Slide-level Domain-shift},
author = {Jingsong Liu and Han Li and Chen Yang and Michael Deutges and Ario Sadafi and Xin You and Katharina Breininger and Nassir Navab and Peter J. Schüffler},
journal= {arXiv preprint arXiv:2506.23673},
year = {2025}
}
备注
Accepted by MICCAI 2025