基于多域平衡混合与特征对齐的白细胞分类域自适应方法研究

为解决白细胞(WBC)图像分类中跨域泛化能力不足及数据不平衡问题，研究人员提出DaNet框架，创新性地结合平衡多域混合(BMDM)数据增强与数据分布对齐(DDA)技术。实验表明该方法在Matek-19等三个公开数据集上显著提升分类性能，F1-micro最高达97.74%，为临床血液病诊断提供了更可靠的自动化分析工具。

　　

在临床血液诊断领域，白细胞分类是疾病监测的重要环节，但现有深度学习模型面临两大挑战：不同医疗机构间染色协议、显微镜参数差异导致的"域偏移"问题，以及白细胞亚型间形态相似性高、样本量不均衡带来的分类困难。传统方法依赖独立同分布假设，当测试数据与训练数据分布不一致时性能显著下降，这严重制约了自动化分析系统在真实医疗场景中的应用价值。

针对这一难题，深圳技术大学的研究团队在《Array》发表了创新性研究成果。该研究提出名为DaNet的域自适应网络，通过平衡多域混合(BMDM)和数据分布对齐(DDA)两大核心技术，显著提升了模型在未见过的医疗域数据上的泛化能力。研究采用三个公开白细胞数据集(Matek-19、Acevedo-20和Bodzas-23)进行验证，通过留一域交叉验证策略，证明该方法在跨域场景下的优越性能。

关键技术方法包括：1) BMDM通过混合多源域样本生成平衡的合成数据，采用Beta(α,1)分布控制混合比例；2) DDA基于改进的BoDA算法设计损失函数，利用欧氏距离度量特征相似性；3) 采用ResNet-50作为特征提取器，结合周期性均值更新机制(每120步)。实验设计包含与6种前沿方法的对比，以及消融实验验证各模块贡献。

研究结果显示：在"3.3 平衡多域混合"部分，BMDM通过实例采样与类采样的策略组合，有效缓解了Matek-19数据集中中性粒细胞占比过高(85.93%)的问题。"3.4 数据分布对齐"章节表明，改进的损失函数使同类样本特征距离缩小29%，异类样本特征分离度提高41%。可视化分析("4.7 数据分布对齐有效性")显示，DaNet使嗜碱性粒细胞等少数类形成更紧密的聚类。

"4.4 实验结果"数据显示，DaNet在Acevedo-20测试集上取得93.47%的F1-micro值，较次优方法BoDA提升1.1个百分点。特别值得注意的是，在数据严重不平衡的Matek-19测试场景下，DaNet^*
(采用反转采样策略)的类平均准确率达84.48%，证明其对数据偏斜的鲁棒性。

结论部分指出，该研究首次将平衡采样策略与多域特征对齐相结合，解决了白细胞分类中"小类样本特征被淹没"的难题。方法学创新体现在：1) BMDM构建连续潜在空间，使混合样本保留判别性特征；2) DDA损失函数中的校准参数λ_j,c
^j',c'
=(N_j',c'
/N_j,c
)^ν
有效平衡不同域-类对的贡献。未来工作将聚焦于改进特征提取模块，以捕获更精细的细胞形态学特征。这项研究为医学影像的域泛化问题提供了新思路，其技术框架可扩展至其他存在数据分布偏移的医疗AI应用场景。