面向计算病理学新型模态中无生成器诊断的训练时域迁移
Training-Time Domain Transfer for Generator-Free Diagnostics on Novel Modalities in Computational Pathology
精选理由
通过训练阶段迁移让 AI 直接诊断新型病理影像，降低虚拟染色的幻觉、算力与监管负担。
AI 摘要
新型成像模态有望改善诊断，但训练数据稀缺制约了 AI 的开发。推理时域迁移可通过将新型模态映射到成熟模态来应对这一问题，从而复用现有诊断模型。然而，这会引入幻觉风险、计算开销和监管复杂性。受仿真到现实迁移的启发，我们提出训练时域迁移，利用存档的常规样本生成合成的目标域训练数据，从而直接对真实输入进行诊断，无需在推理时进行生成。我们以未染色前列腺组织病理学为概念验证，将该方法与推理时虚拟染色及传统的基于苏木精-伊红（H&E）染色的癌症检测进行比较。无论是未经处理的组织（Cohen's $κ$=0.59 对比 0.37；Gwet's AC1=0.73 对比 0.29），还是脱蜡组织（$κ$=0.66 对比 0.61；AC1=0.73 对比 0.64），训练时迁移与传统基准的一致性均高于虚拟染色，表明其在新兴诊断模态中具有应用潜力。