空间划分域适应AI分类：一种用于肿瘤学数据的应用
机器学习
2025-04-25 v2 人工智能
摘要
给定来自不同位置类型的多类型点图(例如肿瘤区域)，我们的目标是开发一个在源位置类型上训练的分类器，能够准确区分目标位置类型的两种类别，这取决于它们的点排列。这一问题对于许多应用至关重要，例如为设计新的免疫治疗方案生成临床假设。挑战在于空间可变性，即在不同位置(即位置类型)之间观察到的空间属性或排列的内在异质性和变化。以往技术专注于自监督任务来学习域无关特征并缓解域差异;然而它们常常忽视数据点之间的底层空间排列，导致不同位置类型之间存在显著差异。我们探索一种新型多任务自学习框架，针对空间排列进行建模，如空间混合遮挡和空间对比预测编码，以实现空间划分域适应AI分类。实验结果表明，所提出的框架在真实数据集(例如肿瘤学数据)上的预测准确率高于基线方法。
引用
@article{arxiv.2501.11695,
title = {Spatially-Delineated Domain-Adapted AI Classification: An Application for Oncology Data},
author = {Majid Farhadloo and Arun Sharma and Alexey Leontovich and Svetomir N. Markovic and Shashi Shekhar},
journal= {arXiv preprint arXiv:2501.11695},
year = {2025}
}