AAC-TTA:在扫描仪诱导的领域偏移下,融合对抗性一致性与测试时自适应的不平衡组织病理学分类
《Computers in Biology and Medicine》:AAC-TTA: Anti-adversarial consistency with test-time adaptation for imbalanced histopathology classification under scanner-induced domain shift
【字体:
大
中
小
】
时间:2026年10月10日
来源:Computers in Biology and Medicine CS11.3
编辑推荐:
### 摘要要点
- AAC-TTA 解决前列腺组织病理学中扫描器引发的域偏移和类别不平衡问题。
- 熵引导的对抗视图与反对抗视图支持可靠性门控的一致性学习。
- 少数类感知适应在部署时无需目标数据标签或源图像即可提升 G5 识别能力。
- AAC-TTA 在跨扫描器迁移中
### 摘要要点- AAC-TTA 解决前列腺组织病理学中扫描器引发的域偏移和类别不平衡问题。- 熵引导的对抗视图与反对抗视图支持可靠性门控的一致性学习。- 少数类感知适应在部署时无需目标数据标签或源图像即可提升 G5 识别能力。- AAC-TTA 在跨扫描器迁移中提升了宏 F1 值和少数类识别率,同时揭示了类别特定的权衡。---## 引言人工智能(AI)模型越来越多地被用于医学和组织病理学图像的分类与分割任务。尽管实验室结果看起来颇具前景,但在真实临床环境中部署仍然面临挑战,主要源于两个数据问题:类别不平衡和域偏移。大多数医学数据集都是不平衡的,这受限于样本可得性和疾病发病率。因此,医学数据集中往往包含大量常见或低级别组织类别,而罕见的高级别模式样本则相对较少。由此,模型可能对过表达的类别产生偏向,而对临床上重要的少数类别识别不足 [1,2]。在计算病理学中,不同的全切片扫描器可被视为不同的成像域,因为扫描器特有的采集和处理特性会系统性地改变图像统计特征,包括颜色响应、纹理、对焦、分辨率和压缩伪影——即使组织类型、诊断任务和标签空间保持不变 [3], [4], [5]。因此,依赖扫描器关联外观而非诊断相关形态学的模型,在未见扫描器域上可能泛化能力较差。为缓解这一问题,通常在训练或部署阶段引入鲁棒性策略。在训练阶段,数据增强是一种标准且有效的鲁棒性策略:由于真实标签可用,增强后的图像可安全地用于监督,模型从而学习到对非诊断性外观变化的不变性 [6]。然而在部署阶段,同样的方法则更为棘手。目标域标签不可用,因此激进的变换无法通过真实值进行验证,且有可能削弱组织病理诊断所依赖的细微颜色、纹理、强度及形态学模式。因此,部署阶段的策略必须在不依赖目标数据标签的前提下处理外观变化,这促使我们关注测试时增强(TTA)和测试时适应(TTA)。测试时增强通过对同一目标图像施加预定义的变换并测量预测的变异性来估计预测稳定性 [7]。然而,测试时增强不会更新分类器,因此无法直接纠正目标域的决策偏差。相比之下,测试时适应利用未标注的目标域数据更新模型参数,更适合纠正扫描器域偏移引起的决策偏差 [8]。然而,标准测试时适应依赖模型自身的预测作为优化信号,而在类别不平衡情况下,这些预测本身就倾向于多数类。因此,在这种信号上进行适应可能反而强化了压制少数高级别类别的偏差。---为弥补这一空白,我们提出了**反对抗一致性测试时适应**(Anti-Adversarial Consistency with Test-Time Adaptation, AAC-TTA),一种面向扫描器域偏移下不平衡组织病理学分类的无监督框架。AAC-TTA 的核心原则是仅在预测被验证为局部可靠时才进行适应,而非盲目信任源模型产生的每一个预测。AAC-TTA 通过三个组件实现这一原则。第一,通过在模型熵景观上为每张未标注目标图像构建两个小而受界的扰动视图来探测局部预测稳定性:一个对抗视图将图像推向更高熵方向,暴露模型变得不确定的区域;另一个反对抗视图将图像推向更低熵方向,得到局部稳定的预测。第二,强制两个从同一源模型初始化的分支之间满足反对抗一致性——一个分支从反对抗视图中产生稳定的伪目标,另一个分支在对抗视图上训练以保持与之一致——从而使适应过程由经过压力测试的预测驱动,而非原始预测。第三,基于一致性的可靠性门控仅在伪目标在两个分支中均具有高置信度和一致性时才允许其参与适应,且该门控对少数类进行放宽并配合类别感知加权,确保可靠的少数类证据不被丢弃 [9]。在整个适应过程中,参数更新仅限于轻量级适配器组件和分类器偏置,以及可选的批量归一化适应,从而限制不稳定的全模型漂移 [10,11]。本工作的主要贡献如下。本研究将 AAC-TTA 作为源无关测试时适应框架进行评估,用于扫描器域偏移下不平衡前列腺组织病理学分类。该优化机制不包含针对扫描器的特定校正或归一化操作;然而,扫描器引发的偏移是本工作的主要验证范围,更广的适用性仅通过探索性的跨数据集压力测试进行考察。首先,我们解决了一个具有临床相关性的部署问题:扫描器引发的域偏移和类别不平衡可能共同降低模型可靠性,尤其是对欠表示的高级别模式。其次,我们提出了一种无标签适应框架,在提升目标扫描器鲁棒性的同时,避免了激进的图像变换和无约束的模型更新。第三,我们在受控的跨扫描器迁移中展示了少数类恢复能力,同时使相关的类别特定权衡显式化。---### 相关工作**测试时与源无关适应。** 在部署阶段,源数据通常因隐私或存储限制而不可用,因此适应必须仅依赖每个测试批次中的未标注目标图像。测试时训练首次证明模型可以通过自监督辅助任务对每个未标注测试输入进行适应,然后再做出预测 [11]。从域适应的角度来看,SHOT [12] 建立了类似的目标数据独占设置,通过适应一个……---### 问题设定我们研究面向切片级别前列腺癌分级的跨扫描器测试时适应。分类器 $f_\theta$ 在源扫描器采集的有标签组织病理学切片上训练,随后使用目标扫描器采集的未标注切片进行适应。我们将每个扫描器视为不同的成像域,同时在源域和目标域之间保持相同的诊断任务和五分类标签空间。因此,本研究的主要范围是源无关的跨扫描器……---### 结果本节报告所提出的 AAC-TTA 方法的实验评估。我们首先总结跨扫描器域的数据集分布,然后将该方法与代表性 TTA 基线在扫描器域偏移条件下进行比较。为评估鲁棒性,我们特别关注类别级性能,尤其是对欠表示的高级别类别。---### 讨论表 3 中的消融结果表明,源锚定、批量归一化仿射适应和配对的熵引导视图各贡献互补。移除视图使 G5 F1 从 0.341 降至 0.284,移除锚定使宏 F1 从 0.606 降至 0.530,移除批量归一化仿射适应使 G5 F1 降至 0.086。混淆分析进一步显示,G5 的提升是通过 G4–G5 决策边界上的重新分配实现的,同时伴随相应的……---### 结论本研究提出了 AAC-TTA,一种主要用于验证扫描器域偏移下不平衡组织病理学分类的无监督测试时适应框架。该框架解决了一个具有临床相关性的部署挑战:在一个扫描器域上训练的模型在应用于另一个扫描器时可能性能下降,尤其是对欠表示(不平衡)但诊断上重要的类别。通过结合小的熵引导对抗视图与反对抗视图……---### CRediT 作者贡献声明**Sehwan Yoo:** 撰写——审阅与编辑,撰写——初稿,可视化,验证,软件,方法论,调查,正式分析,数据整理,概念化。**Wilson Wen Bin Goh:** 撰写——审阅与编辑,监督。---### 伦理声明本研究使用了公开可用的、已去标识的数据集。未招募新的人类参与者,也未使用任何可识别的私人信息。因此,本研究不需要额外的机构伦理审批和知情同意。---### 资助无。---### 利益冲突声明作者声明不存在已知的竞争性经济利益或个人关系,这些关系可能影响本文所报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号