域适应在深度学习医学图像分类中的影响
计算机视觉与模式识别
2026-02-11 v1
摘要
域适应（Domain Adaptation, DA）是机器学习中一个快速扩张的领域，涉及调整在一个域中训练的模型，以便在另一个域中获得良好性能。尽管已取得显著进展，但诸多 DA 方法的基本概念仍然是：将来自不同域的数据对齐到共享特征空间。在该空间中，可从标记的源数据中获得的知识可改善在缺乏足够标记的目标数据上的模型训练。本研究演示了使用 10 个深度学习模型来模拟常见的 DA 技术，并探讨其在四个医学图像数据集中的应用。我们考虑了各种情况，如多模态、噪声数据、联邦学习（Federated Learning, FL）、可解释性分析和分类器校准。实验结果表明，使用 ResNet34 在脑肿瘤（BT）数据集上进行域适应可使模型性能提升 4.7%。同样，域适应可以减轻高斯噪声的影响，ResNet34 在 BT 数据集上使用域适应可实现约 3% 的准确率提升。此外，仅仅将域适应引入联邦学习框架在皮肤癌分类中显示出有限潜力（例如，约 0.3% 的性能提升）。此外，域适应方法可通过 gradcam++ 技术提高模型的可解释性，从而具有临床价值。校准分析也表明，使用域适应可将在多模态数据集上的期望校准误差（Expected Calibration Error, ECE）降低约 2%。
引用
@article{arxiv.2602.09355,
title = {Impact of domain adaptation in deep learning for medical image classifications},
author = {Yihang Wu and Ahmad Chaddad},
journal= {arXiv preprint arXiv:2602.09355},
year = {2026}
}
备注
Accepted in IEEE SMC 2025