编辑推荐：
在组织病理图像分类任务中，深度学习模型受限于数据获取与标注难题。研究人员开展基于语义相关聚类域适应（SCCDA）的研究，用该方法对全切片图像（WSI）分类，标注结果接近人工标注，对临床应用意义重大。
癌症，这个无情的 “杀手”，时刻威胁着全球人类的健康，是导致人类死亡的主要原因之一。在癌症的临床诊断中，组织病理活检堪称 “金标准”。随着科技的进步，计算机辅助诊断（CAD）技术崭露头角，它就像医生的得力助手，不仅能大大提高诊断效率，还能降低因人为因素导致的误诊风险，在癌症诊疗领域发挥着重要作用。
其中，卷积神经网络（CNN）和 Transformer 模型在组织病理图像分类中表现出色。CNN 能够像 “数据挖掘专家” 一样，从原始图像中深度挖掘有代表性的信息，客观地分析图像的高级特征；Transformer 模型则巧妙地融入图像位置信息编码，为图像分类提供更精准的依据。但它们也有 “软肋”，训练这些模型需要大量有标注的图像数据，否则容易出现过拟合，导致模型的泛化能力变差。而在实际应用中，组织病理图像涉及患者隐私，获取标注数据困难重重。同时，现有的无监督域适应方法大多依赖图像高级特征，忽视了包含细胞图像纹理和形状信息的低级特征，且很多方法在学习域不变特征时，忽略了类别之间的语义相关性。为了解决这些问题，来自国内的研究人员开展了基于语义相关聚类的无监督域适应（SCCDA）研究，相关成果发表在《Artificial Intelligence in Medicine》上。
研究人员为开展此项研究，运用了多种关键技术方法。首先，对源域和目标域的多级融合特征进行归一化映射；接着，在新的特征空间里，利用聚类算法计算源域和目标域的域中心、类中心，通过类中心之间的余弦距离衡量类别间的语义相关性，完成样本的判别聚类；然后，自约束对齐域中心、类中心和样本分布，利用多粒度信息实现跨域类间语义相关知识的传递；最后，使用概率热图可视化模型的预测结果。实验采用了小鼠肠道病理图像数据集、PAIP 2020 人类肠道病理图像数据集、BreaKHis 人类乳腺组织数据集和 Camelyon16 人类乳腺组织数据集。
下面来看看具体的研究结果：
- 数据集选择：研究人员选用了肠道组织数据集（小鼠肠道病理图像数据集和 PAIP 2020 人类肠道病理图像数据集）以及乳腺组织数据集（BreaKHis 人类乳腺组织数据集和 Camelyon16 人类乳腺组织数据集）来评估 SCCDA 方法的性能。
- 实验结果对比：将 SCCDA 算法与 CIDA、BDGA、USDA 和 UDRE 等算法对比，结果显示 SCCDA 在补丁分类和 WSI 注释方面表现更优，能更好地解决过拟合和训练不足的问题。这表明在域适应中基于融合特征的语义相关聚类，能更有效地学习目标域的样本特征。
研究结论表明，本文提出的 SCCDA 算法为无监督域适应分类任务提供了新的解决方案。它借助有标注的组织病理图像，实现了对 WSI 的识别和分类。通过基于深度融合特征对样本进行判别聚类，分别计算源域和目标域的域中心和类中心，利用类中心之间的余弦距离表征语义相关性，实现了语义相关知识的有效传递，提升了模型的分类能力。在讨论部分，研究人员进一步肯定了 SCCDA 算法在解决实际问题中的优势，其在临床诊断中的应用潜力巨大，有望成为医生诊断癌症的有力工具，为癌症的早期发现和治疗提供更可靠的支持，推动癌症诊疗技术的进步。
