TriAlign-UDA：基于冻结基础模型特征的混合无监督域自适应框架在组织病理学图像分析中的应用

《Scientific Reports》：TriAlign UDA for hybrid domain adaptation of frozen histopathology foundation model representations

　　

摘要

基础模型在组织病理学图像分析中产生了强大的切片级表示；然而，不同中心、染色方案和扫描仪条件之间的域偏移可能会限制这些表示的直接泛化能力。在本研究中，提出了一种名为 TriAlign-UDA 的混合特征级无监督域自适应（UDA）框架，该框架基于冻结的组织病理学基础模型表示进行操作。TriAlign-UDA 旨在减少标记的源域和完全未标记的目标域之间的不匹配，而不需要编码器微调。该方法基于瓶颈残差适配器，在一个共同的学习框架中结合了统计对齐、基于原型的语义保留和对抗自适应组件。在实验中，NCT-CRC-HE-100K 被用作标记的源域，TCGA-COAD/READ 作为未标记的目标域，CRC-VAL-HE-7K 作为独立的外部评估数据集。在五种不同随机种子下获得的结果中，在包括最近的 EUDA 和 PLADA-f 基线在内的评估方法中，TriAlign-UDA 在 CRC-VAL-HE-7K 上达到了最高的平均准确率 0.9669 ± 0.0050、平衡准确率 0.9560 ± 0.0063 和 Macro-F1 0.9515 ± 0.0067。DANN 和 EUDA 产生了势均力敌的结果；然而，TriAlign-UDA 与 DANN、EUDA 或 PLADA-f 之间的差异未达到统计学显著性。这些发现表明，基于冻结特征的 UDA 不仅应通过单个对齐目标进行评估，还应通过独立的外部泛化性能进行评估。