《iScience》：Enhancing cervical squamous cell carcinoma diagnosis under distribution shift via domain-adaptive representation learning
编辑推荐：
针对宫颈鳞状细胞癌（CSCC）的自动化全切片图像（WSI）分析，面临通用模型病理特异性有限和跨中心泛化能力不足的挑战。研究人员提出CSCC-PAG（预训练-自适应-泛化）框架，将领域特异性预训练与自监督领域自适应相结合。利用8,041张CSCC WSI，研究人
针对宫颈鳞状细胞癌（CSCC）的自动化全切片图像（WSI）分析，面临通用模型病理特异性有限和跨中心泛化能力不足的挑战。研究人员提出CSCC-PAG（预训练-自适应-泛化）框架，将领域特异性预训练与自监督领域自适应相结合。利用8,041张CSCC WSI，研究人员应用宫颈鳞状细胞癌自监督预训练（SPC）特征提取器，其在分型、分级和分割任务中显著优于泛癌基线。为解决领域偏移，研究人员开发代表性样本领域自适应（RSDA），将掩码自编码器（MAEs）与k-means缓冲策略结合，实现无标签自适应。结果表明，SPC可捕获细粒度CSCC形态，而RSDA无需目标域标注即可有效恢复跨中心性能下降。该研究为自动化CSCC诊断提供综合解决方案，覆盖从大规模预训练到少样本泛化部署的完整流程，展示其在实际临床实施中的巨大潜力。
宫颈鳞状细胞癌（CSCC，cervical squamous cell carcinoma）是宫颈癌主要病理类型，约占75%–80%，其高发病率、显著预后异质性和诊断资源分布不均给全球公共卫生系统带来挑战。全切片图像（WSI，whole-slide image）具有吉像素分辨率和组织学细节，是CSCC临床诊断、分型和分级的基石。然而，世界卫生组织（WHO）和主流肿瘤研究显示，CSCC病理评估尤其是分型和分级高度依赖病理医生主观经验，观察者间变异降低诊断一致性，影响预后判断。因此，需要自动化、整合的深度学习诊断框架，以提高效率、标准化标准并扩大优质医疗可及性。近年来，基于大规模自监督预训练的病理基础模型结合多实例学习（MIL，multiple instance learning）成为计算病理主流。但将“通用预训练+下游微调”应用于CSCC精细诊断存在两个缺口：一是“表征精度缺口”，泛癌基础模型关注通用病理特征，难以充分编码角化珠、细胞间桥和不同分化等级核异型性等CSCC细粒度形态；二是“泛化缺口”，源域训练模型部署到目标域时，常因苏木精-伊红（H&E，hematoxylin and eosin）染色深度、扫描仪光学特性和制备技术等中心差异出现域偏移，导致推理性能下降。现有域自适应和自监督方法虽有潜力，但缺乏与CSCC特定特征结合的高效无标签泛化方案。研究人员提出CSCC-PAG框架，以桥接上述两个缺口，覆盖从大规模预训练到少样本泛化部署的完整流程，并整合分型、分级和分割多任务。
关键技术与样本队列：研究纳入宁波临床病理诊断中心源域（8,041张无标签WSI/5,736例；632张标注WSI/432例）、附属金华医院目标域（701张无标签WSI/478例；235张独立测试WSI/172例）及公共TCGA-CESC验证队列（189张WSI/189例）。方法上构建SPC（self-supervised pre-training for CSCC）特征提取器，基于Vision Transformer（ViT）进行自监督预训练；下游采用CLAM（clustering-constrained attention MIL）进行分型和分级、TransUNet进行分割；提出RSDA（representative sample domain adaptation），采用Teacher-Student架构、掩码图像建模（MIM，masked image modeling）与特征蒸馏（FD，feature distillation），并以k-means构建源域原型缓冲，核心参数K=100、λ=0.1、75%掩码和1:9源-目标混合。
Performance of SPC on downstream classification tasks。研究人员在相同环境下比较SPC与UNI、Virchow2、CONCH、CTransPath四种上游特征提取器，并在六种主流MIL模型上评估。SPC在准确率（ACC，accuracy）、平衡准确率（BACC，balanced accuracy）、宏AUC和宏F1分数上一致达到性能上限。在3类分级任务中，使用CLAM-SB时，SPC将ACC从通用基线UNI的0.7630（±0.0183）提高至0.8180（±0.0403），宏F1从0.7269（±0.0262）提高至0.7715（±0.0463）。注意力可视化和top-percentile masking显示，SPC驱动的模型更聚焦癌变区域，前10%高评分图块与病理医生标注肿瘤边界的平均交并比（IoU，intersection over union）为0.7154，高于UNI的0.6312，表明SPC不仅提升定量指标，还增强决策可解释性和临床可靠性。
Performance of SPC on downstream segmentation tasks。基于TransUNet架构比较编码器初始化策略。SPC冻结编码器获得Dice 0.8801、IoU 0.8031，优于UNI（0.8772、0.7994）和ImageNet（0.8154、0.7048）。SPC全微调进一步提升至Dice 0.8924、IoU 0.8156。结果验证大规模领域特异预训练捕获的CSCC病理模式对像素级肿瘤/间质区分同样关键，模型生成肿瘤掩膜与真实边界高度一致。
Performance of self-supervised domain adaptation framework on downstream classification。源域宁波训练的CLAM-SB+SPC直接用于金华目标域时，因严重中心特异域偏移，ACC仅0.7660。RSDA完整框架将目标域ACC提升至0.7957；随机缓冲消融变体为0.7745；DANN（Ganin et al.）和CDAN（Long et al.）等对抗无监督域自适应（UDA，unsupervised domain adaptation）出现灾难性训练崩溃，ACC降至0.1745。消融显示，配置1未适应基线ACC为0.7660；配置2启用75%目标域MIM和随机采样缓冲后ACC为0.7745；配置3同时启用75% MIM和k-means原型缓冲后达到0.7957，说明形态多样源域原型对锚定诊断边界和防止表征漂移必要。在完全未见的第三方TCGA-CESC统一3类分级中，RSDA适应权重达到总ACC 0.8201，超过原始SPC权重0.7513，表明域迁移过程具有“泛化感知微调”作用，使模型获得更强通用泛化能力。
Discussion。研究旨在解决CSCC WSI自动分析中诊断特异性不足和跨中心泛化不足两个核心挑战，提出整合SPC与RSDA的CSCC-PAG全流程框架。结果确认“表征精度缺口”存在，SPC较泛癌UNI在多个下游MIL模型中一致显著提升；F1-score优势说明领域特异预训练更好处理类间细粒度形态重叠，缓解不平衡数据集诊断偏倚；注意力热图显示SPC更精准聚焦病理相关肿瘤区域；分割任务同样显示SPC作为CSCC多任务骨干的优越性。核心贡献在于解决泛化缺口。源域宁波CLAM-SB ACC为0.8180，直接部署金华降至0.7660。RSDA无需目标域标注，基于Teacher-Student架构，教师加载SPC权重并冻结，学生通过复合损失适应目标域。非对抗设计规避标准UDA在弱监督计算病理中的对抗梯度崩溃；全局对抗在吉像素WSI和稀疏MIL语义下易优化不稳定，可能对齐中心特异染色和背景间质而非局部诊断token。RSDA以局部MIM重建和平滑特征蒸馏约束优化，保留源诊断边界并容纳目标染色变化。k-means源域缓冲较随机采样更有效。适应后RSDA权重在TCGA-CESC ACC为0.8201，超过原始SPC的0.7513，提示泛化感知微调。临床意义上，为资源有限或样本不足机构部署先进AI诊断工具提供经济高效路径，与需同步多中心基础设施的联邦学习互补。
Limitations of the study。域自适应虽从0.7660恢复至0.7957，但未达源域全监督0.8180，存在无监督域自适应理论上限；无目标标签时MIM主要对齐全局特征流形，细粒度分级决策边界在簇边缘可能局部模糊；目标特征适应与源知识保留存在“跷跷板效应”。内部数据主要来自两个医疗中心，队列多样性有限；虽在TCGA-CESC多机构队列验证，仍需更广泛前瞻性多中心验证；当前评估局限于宫颈病理，需在CAMELYON16、PANDA等跨器官公共WSI基准验证；多任务框架尚未覆盖CSCC罕见组织学亚型或病毒（如HPV）分型。
研究结论（译）：该研究为CSCC自动诊断提供综合解决方案，覆盖从大规模预训练到少样本泛化部署的完整流程，展示其在实际临床实施中的巨大潜力。这表明该框架发挥“泛化感知微调”作用，迫使模型学习更抽象且稳健的CSCC病理表征；从临床应用角度看，这为资源有限或样本量不足的医疗机构部署先进AI诊断工具提供了一条经济高效的路径。
