背景：当训练数据和测试数据来自相似的人群及成像环境时，人工智能（AI）乳腺摄影模型能够实现较高的诊断性能；但在跨队列域偏移情况下，其性能往往会下降。采集系统、图像特征、预处理方式、人群构成及疾病患病率方面的差异，可能导致分布变化，而传统的同数据集验证难以充分捕捉这些变化。近期研究进一步表明，基础模型的表征可能保留大量特定于数据集的信息。然而，图像表征如何影响诊断模型向完全未见队列的迁移能力，以及域对抗学习能否在不同类型的表征中带来相当的收益，目前仍不明确。方法：我们使用七个相互独立的数据集，系统评估了跨队列乳腺摄影分类任务；这些数据集涵盖不同的地理区域、机构、扫描仪及成像环境。比较了三种图像表征：手工提取的影像组学特征、由 EfficientNet-B0 提取的特征，以及医学视觉—语言模型 MedSigLIP-448 生成的嵌入。每种表征均在三种预处理条件下进行评估：未经处理的图像、基于 Otsu 方法提取乳房区域，以及结合对比度受限自适应直方图均衡化（CLAHE）的 Otsu 提取。患者级分类采用均值池化多层感知机（MLP）基线模型和基于注意力的域对抗神经网络（DANN）。我们通过多源留一域外（LODO）框架评估泛化能力：每次使用六个数据集进行模型开发，并将第七个数据集完全留作未见测试队列；上述过程在……逐一进行。所有七个数据集。主要采用受试者工作特征曲线下面积（AUC-ROC）评估性能。结果：跨队列性能高度依赖图像表征和模型架构。MedSigLIP 在未见队列上的表现始终最佳。使用 MedSigLIP 特征时，未经处理图像的平均留一数据集外（LODO）AUC-ROC 从 MLP 的 0.598 提升至 DANN 的 0.685；经 Otsu 预处理后从 0.607 提升至 0.678；经 CLAHE+Otsu 预处理后从 0.603 提升至 0.659。对留出数据集和预处理条件下的 DANN 与 MLP 性能差异进行评估后发现，经过多重比较校正，MedSigLIP 的性能提升具有统计学显著性，而 Radiomics 和 EfficientNet-B0 的相应提升则未达到显著性。混合效应分析同样显示 MedSigLIP 与 DANN 存在正向交互作用，但该结果略未达到传统统计学显著性标准。未经处理的图像在 MedSigLIP-DANN 组合中取得了最高的数值平均性能，但预处理本身并无显著的总体效应。值得注意的是，线性探测显示，MedSigLIP 和 EfficientNet 表征具有较强的数据集判别能力，而 Radiomics 表征中可通过线性方式恢复的数据集信息很少；这表明，数据集可分性较低本身并不能预测更好的诊断泛化能力。结论：乳腺摄影的跨队列泛化能力高度依赖图像表征的选择及其与分类策略的交互作用。在我们的多源未见域评估中，MedSigLIP 提供了迁移性最强的表征；与 DANN 相关的性能提升主要集中于 MedSigLIP，并未在不同表征类型中普遍出现。这些发现表明， the领域对抗学习的有效性取决于表征方式；无论是传统预处理，还是数据集本身较低的可判别性，均无法单独确保向未见过的临床队列实现稳健迁移。
跨队列乳腺X线摄影]{基于表征的领域适应：用于乳腺X线摄影诊断模型跨队列泛化
Ankesh Kumar Pandey，Shandar Ahmad
doi：
https://doi.org/10.64898/2026.10.01.756041
Ankesh Kumar Pandey
贾瓦哈拉尔·尼赫鲁大学
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站中搜索该作者
Shandar Ahmad
贾瓦哈拉尔·尼赫鲁大学
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站中搜索该作者
Shandar Ahmad 的 ORCID 记录
通讯作者：
shandar{at}jnu.ac.in
摘要
信息/历史
指标
预览 PDF
摘要
背景：
当训练数据和测试数据来源于相似的人群及成像环境时，乳腺X线摄影人工智能（AI）模型能够取得较高的诊断性能；然而，在跨队列领域偏移条件下，其性能往往会下降。采集系统、图像特征、预处理方式、群体构成以及疾病患病率方面的差异，可能导致分布变化，而传统的单数据集内部验证难以充分捕捉这些变化。近期研究进一步表明，基础模型的表征可能保留大量特定于数据集的信息。然而，图像表征如何影响诊断模型向完全未见队列的迁移，以及领域对抗学习在不同表征类型之间是否能够带来相当的收益，目前仍不明确。
方法：我们系统地评估了跨队列乳腺X线摄影翻译五分彩侯候侯候侯候
采用七个相互独立的数据集进行分类，涵盖多种地理区域、机构、扫描仪及成像环境。研究比较了三种图像表征：手工设计的影像组学特征、由 EfficientNet-B0 提取的特征，以及医学视觉—语言模型 MedSigLIP-448 生成的嵌入。每种表征均在三种预处理条件下进行评估：未经处理的图像、基于 Otsu 方法提取乳腺区域，以及结合对比度受限自适应直方图均衡化（CLAHE）的 Otsu 提取。患者级分类采用均值池化多层感知机（MLP）基线模型和基于注意力的领域对抗神经网络（DANN）。泛化能力通过多源留一域外（LODO）框架进行评估：每轮使用六个数据集开发模型，将第七个数据集完全留作未见测试队列，并在全部七个数据集上依次重复。主要评估指标为受试者工作特征曲线下面积（AUC-ROC）。
结果：跨队列表现高度依赖图像表征和模型架构。MedSigLIP 在未见队列上的表现始终最佳。使用 MedSigLIP 特征时，未经处理图像的平均 LODO AUC-ROC 从 MLP 的 0.598 提高至 DANN 的 0.685；经 Otsu 预处理后从 0.607 提高至 0.678；经 CLAHE+Otsu 预处理后从 0.603 提高至 0.659。对留出数据集和预处理条件下的 DANN 与 MLP 表现差异进行评估后发现，经多重比较校正，MedSigLIP 的性能增益具有统计学显著性，而影像组学或 EfficientNet-B0 对应的增益均未达到显著水平。混合效应分析同样显示 MedSigLIP 与 DANN 存在正向交互作用，尽管该结果仅以微弱幅度……
未达到传统统计学显著性。未经处理的图像在 MedSigLIP-DANN 中获得了最高的数值平均性能，但预处理本身对总体性能并无显著影响。值得注意的是，线性探测显示，MedSigLIP 和 EfficientNet 表征具有较强的数据集可辨识性，而 Radiomics 中可通过线性方式恢复的数据集信息较少，这表明，较低的数据集可分离性本身并不能预测更好的诊断泛化能力。
结论：跨队列乳腺X线摄影泛化能力在很大程度上取决于图像表征的选择及其与分类策略之间的交互作用。在我们的多源未见域评估中，MedSigLIP 提供了最具迁移性的表征；与 DANN 相关的性能提升主要集中于 MedSigLIP，而并未在不同表征类型中一致地观察到。这些发现表明，域对抗学习的有效性取决于表征类型；此外，传统预处理或较低的数据集可辨识性本身，均不足以确保向未见临床队列进行稳健迁移。
利益冲突声明
作者已声明不存在利益冲突。
已声明的资助信息
DBT 生物信息学中心，JNU
DBT-NNP
NNP-CSIR-NEIST
NNP-IIITD
版权
本预印本的版权所有者为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。
该预印本依据
CC-BY-ND 4.0 国际许可协议
提供。
返回顶部
上一篇
下一篇
发布于 2026 年 10 月 8 日。
下载 PDF
电子邮件
感谢您有兴趣传播 bioRxiv 的相关内容。
注意：系统要求提供您的电子邮件地址，仅用于确认您是本文的发送者。
您的电子邮件地址
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或
请用逗号分隔。
您即将向以下对象发送邮件
跨队列乳腺摄影：表征依赖型领域自适应在乳腺摄影诊断模型跨队列泛化中的应用
邮件主题
（您的姓名）向您转发了 bioRxiv 上的一个页面
邮件正文
（您的姓名）认为您可能会对 bioRxiv 网站上的这个页面感兴趣。
您的个人留言
验证码
此问题用于确认您是否为真人访问者，并防止自动垃圾信息提交。
分享
跨队列乳腺摄影：表征依赖型领域自适应在乳腺摄影诊断模型跨队列泛化中的应用
Ankesh Kumar Pandey，Shandar Ahmad
bioRxiv
2026.10.01.756041；doi：https://doi.org/10.64898/2026.10.01.756041
分享本文：
复制
引文工具
跨队列乳腺摄影：表征依赖型领域自适应在乳腺摄影诊断模型跨队列泛化中的应用
Ankesh Kumar Pandey，Shandar Ahmad
bioRxiv
2026.10.01.756041；doi：https://doi.org/10.64898/2026.10.01.756041
引文管理器格式
BibTeX，Bookends，EasyBib，EndNote（tagged），EndNote 8（xml），Medlars，Mendeley，Papers，RefWorks Tagged，Ref Manager，RIS，Zotero
推文组件
Facebook 点赞
Google Plus +1
学科领域
所有文章，动物行为与认知（8101），生物化学（18916），生物工程（15076），生物信息学（44909），生物物理学（22804），癌症生物学（19935），细胞生物学（27143），临床试验（138），发育生物学（14065），生态学（21239），流行病学（2067），进化生物学（25637），遗传学（16270），基因组学（23673），免疫学（18872），微生物学（42902），分子生物学（18221），神经科学（94380），古生物学（708），病理学（3011），药理学与毒理学（5143），生理学（8205），植物生物学（16151），科学传播与
教育学
（2106）
合成生物学
（4604）
系统生物学
（10325）
动物学
（2405）
关键词：乳腺X线摄影 · 跨队列泛化 · 域适应 · 域对抗神经网络 · 医学视觉语言模型
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.01.756041v1?rss=1