基于持续无源主动域适应的多中心鼻咽癌肿瘤分割研究

本研究针对鼻咽癌(NPC)放疗中多中心数据导致的域偏移问题，提出持续无源主动域适应(CSFADA)框架，通过域参考与不变性选择(DRIS)策略消除源域特征依赖并筛选信息样本，结合双阶段循环蒸馏(DSRD)缓解灾难性遗忘。实验证明该方法在三个医疗中心的GTV分割任务中显著提升模型泛化能力，为临床跨中心AI应用提供新范式。

　　

鼻咽癌(NPC)作为全球第23位常见恶性肿瘤，其精确放疗依赖于磁共振成像(MRI)中肿瘤靶区(GTV)的准确勾画。尽管深度学习技术已能实现自动化分割，但不同医疗中心在影像设备、扫描参数和标注标准等方面的差异导致显著的域偏移问题，使得模型跨中心性能急剧下降。现有无源主动域适应(SFADA)方法虽能缓解部分问题，但仍面临源域特征依赖、样本选择偏差和灾难性遗忘三大挑战，严重影响临床部署的可行性。

针对这一关键问题，研究人员提出创新的持续无源主动域适应(CSFADA)框架。该工作受自监督学习和Barlow Twins(BT)启发，设计域参考与不变性选择(DRIS)策略：第一阶段通过BT自监督学习获取目标域知识，第二阶段计算样本的域距离分数和域不变性分数，实现无源特征参考下的信息样本筛选。为保持源域知识，团队创新性开发双阶段循环蒸馏(DSRD)方法——第一阶段通过BT蒸馏保持通用表征，第二阶段采用非目标蒸馏(NTD)解耦优化冲突。这种设计模拟了临床医师参考周边非靶区定位肿瘤的决策过程。

关键技术包括：1)基于Barlow Twins的自监督特征学习；2)跨中心NPC MRI数据集(含CenterA/B/C共160例患者)；3)域距离/不变性双评分机制；4)解耦式知识蒸馏架构。实验设置严格对比了传统UDA(如AdaptSeg)、源依赖方法(如STDR)和完全监督基线。

主要研究发现：

1. 样本选择有效性：DRIS策略在CenterA→B迁移任务中，将背景切片误选率降低62%，病变样本覆盖率提升38%。

2. 跨中心性能：在CenterC作为目标域的实验中，Dice系数达0.812±0.032，显著优于SFADA-ASM的0.743±0.041。

3. 灾难性遗忘控制：DSRD使源域性能衰减幅度从12.7%降至4.3%，目标域HD95指标改善21.6%。

讨论指出，该研究的临床价值体现在三方面：首先，完全无源特性符合医疗数据隐私规范；其次，双阶段蒸馏机制首次实现放疗AI模型的持续进化能力；最后，针对NPC解剖特殊性设计的NTD策略为头颈部肿瘤分割提供新思路。局限在于自监督预训练带来的计算成本增加，但作者认为这相对于避免样本选择偏差的收益是可接受的。

这项发表于《Neural Networks》的工作，为医学影像分析领域提供了首个支持持续学习的无源域适应框架。其创新性样本选择标准和知识保留机制，不仅适用于NPC放疗规划，对其他需跨机构协作的医疗AI应用也具有重要参考价值。代码已开源供社区验证和拓展。