通过深度学习域适应实现从一种癌症到另一种癌症的迁移学习
计算机视觉与模式识别
2026-01-22 v1 人工智能
机器学习
神经与进化计算
组织与器官
摘要
监督式深度学习模型通常在其训练分布内实现卓越性能，但在训练分布之外难以泛化。在癌症组织病学学中，卷积神经网络 (CNN) 可能准确地对代表其训练数据中所涉及癌症类型的癌症严重程度进行分类，但对相关但未出现的癌症类型表现有限。虽然来自不同器官的腺癌共享可能支持有限的跨域泛化的形态特征，但直接应对域迁移对于实现稳健的性能至关重要。域适应提供了一种将一种癌症类型的标记数据迁移到另一种癌症类型上无标记数据的方法，有助于缓解标注医学图像稀缺的局面。本 work 评估了肺、结肠、乳腺和肾腺癌之间的跨域分类性能。对任何单一腺癌训练的 ResNet50 在其自身域上可实现 98% 以上的准确率，但对其他癌症类型几乎无泛化能力。对多个监督模型进行集成无法解决这一局限。相比之下，将 ResNet50 转换为域对抗性神经网络 (DANN) 可显著提高对未标记目标域的性能。在肺部数据上，DANN 采用标记的乳腺和结肠数据并适配未标记的肺部数据，可达到 95.56% 的准确率。我们还检查了色素归一化对域适应的影响。其效果因目标域而异：肺部的准确率从 95.56% 下降至 66.60%，而乳腺和结肠目标上，色素归一化可将准确率从 49.22% 提升至 81.29% 和从 78.48% 提升至 83.36%。最后，使用 Integrated Gradients 发现 DANN 在归因上始终关注生物学上有意义的区域，如密集核团，表明该模型学习了临床相关的特征，并且可将其应用于未标记的癌症类型。
引用
@article{arxiv.2601.14678,
title = {Transfer Learning from One Cancer to Another via Deep Learning Domain Adaptation},
author = {Justin Cheung and Samuel Savine and Calvin Nguyen and Lin Lu and Alhassan S. Yasin},
journal= {arXiv preprint arXiv:2601.14678},
year = {2026}
}
备注
8 pages, 6 figures, 3 table