TAAD无标注跨中心自动分析：从分割到临床特征的集成框架
计算机视觉与模式识别
2026-03-30 v1 人工智能
摘要
A型主动脉夹层（TAAD）是一种危及生命的心血管急症，需要快速且精确的术前评估。虽然关键解剖和病理特征对手术规划至关重要，但当前研究主要聚焦于提高分割准确性，留下了可靠且可量化的临床可操作特征提取这一 largely 未被探索的领域。此外，构建全面的TAAD数据集需要劳动密集型的专家级像素级标注，这对大多数临床机构而言是不切实际的。由于显著的领域偏移，在单一中心数据集上训练的模型在跨机构部署时也会遭受严重的性能退化。本研究解决了一个关键的临床挑战：在完全没有目标领域标注的情况下进行跨机构部署时TAAD关键临床特征的准确提取。为此，我们提出了一种由无监督领域适应（UDA）驱动的TAAD临床特征自动提取框架。该框架利用有限的源领域标签，同时有效地适应目标领域的无标注数据。针对真实世界急诊工作流程，我们的框架旨在实现稳定的跨机构多类分割、可靠且可量化的临床特征提取，以及独立于高成本标注的实用可部署性。大量实验表明，我们的方法显著提升了跨领域分割性能，优于现有最先进方法。更重要的是，一项涉及多位心血管外科医生的读者研究证实，自动提取的临床特征为术前评估提供了有意义的辅助，突出了所提出的端到端分割到特征管道的实用价值。
引用
@article{arxiv.2603.26019,
title = {Unlabeled Cross-Center Automatic Analysis for TAAD: An Integrated Framework from Segmentation to Clinical Features},
author = {Mengdi Liu and Qiang Li and Weizhi Nie and Shaopeng Zhang and Yuting Su},
journal= {arXiv preprint arXiv:2603.26019},
year = {2026}
}