Xeno-learning：跨物种知识迁移在深度学习基于光谱图像分析中的应用
计算机视觉与模式识别
2025-06-10 v2 人工智能
机器学习
摘要
新型光学成像技术，如光谱成像（HSI）结合机器学习（ML）分析，具有潜在的革命性影响。然而，这些新型模态面临大规模、具代表性的临床数据稀缺问题，而前临床动物数据通过标准化实验获得，允许受控诱导病理组织状态，这在患者身上是不可行的。为利用这一情况，本文提出一种新概念，即“Xeno-learning”，一种受Xeno-移植启发的跨物种知识迁移范式，其中器官从捐赠物种移植到受体物种。我们使用总计13874张来自人类、猪和鼠的HSI图像，展示尽管不同物种器官的光谱特征差异显著，但由于病理状态或手术操作（如血流不畅；注入对比剂）导致的相对变化是相似的。因此，通过一种新颖的“基于生理学的数据增强”方法，将一种物种中学习到的变化可迁移到新物种，从而实现前临床动物数据对人类的大规模二次利用。所提知识迁移范式带来的伦理、经济和性能益处，为该领域未来发展带来巨大影响。
关键词
引用
@article{arxiv.2410.19789,
title = {Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis},
author = {Jan Sellner and Alexander Studier-Fischer and Ahmad Bin Qasim and Silvia Seidlitz and Nicholas Schreck and Minu Tizabi and Manuel Wiesenfarth and Annette Kopp-Schneider and Janne Heinecke and Jule Brandt and Samuel Knödler and Caelan Max Haney and Gabriel Salg and Berkin Özdemir and Maximilian Dietrich and Maurice Stephan Michel and Felix Nickel and Karl-Friedrich Kowalewski and Lena Maier-Hein},
journal= {arXiv preprint arXiv:2410.19789},
year = {2025}
}
备注
Jan Sellner and Alexander Studier-Fischer contributed equally to this work