近日，四川省腫瘤醫(yī)院放射腫瘤學(xué)四川省重點(diǎn)實(shí)驗(yàn)室張石川教授/廖文軍團(tuán)隊(duì)同電子科技大學(xué)王國(guó)泰教授/羅祥德團(tuán)隊(duì)在放射腫瘤學(xué)領(lǐng)域權(quán)威期刊《International Journal of Radiation Oncology, Biology, Physics》（中科院1區(qū)）上發(fā)表了題為“Generalizable MRI-based Nasopharyngeal Carcinoma Delineation: Bridging Gaps across Multiple Centers and Raters with Active Learning”的文章（我院作為第一通訊單位）。該研究設(shè)計(jì)了一種新穎的無源主動(dòng)學(xué)習(xí)域適應(yīng)方法（source-free active learning adaptation method），以促進(jìn)深度學(xué)習(xí)在鼻咽癌GTV分割任務(wù)中的跨單位和跨勾畫者風(fēng)格的域適應(yīng)。

一、研究背景

精準(zhǔn)、高效的鼻咽癌原發(fā)灶（GTV）勾畫在鼻咽癌的放射治療中至關(guān)重要。盡管目前的深度學(xué)習(xí)方法在GTV的自動(dòng)勾畫方面取得了有希望的結(jié)果，但它們?nèi)匀皇艿脚R床上跨中心數(shù)據(jù)域偏倚的影響；同時(shí)不同醫(yī)生的勾畫風(fēng)格也會(huì)影響模型在臨床實(shí)踐中的應(yīng)用和部署。為了讓模型能夠更好的實(shí)現(xiàn)不同中心異質(zhì)性MRI數(shù)據(jù)的精準(zhǔn)勾畫，同時(shí)也能適應(yīng)不同勾畫者的風(fēng)格，本研究提出了一種無源域的主動(dòng)學(xué)習(xí)方法。

網(wǎng)絡(luò)框架圖：選擇域不變和域特定的代表樣本進(jìn)行注釋和模型微調(diào)，而不依賴源域數(shù)據(jù)。這不僅確保了數(shù)據(jù)隱私，還減少了醫(yī)生的工作量，僅需注釋少量目標(biāo)域的代表樣本。

二、研究結(jié)果

結(jié)果表明：圖A，與目前經(jīng)典的U-Net網(wǎng)絡(luò)直接泛化到多中心（Baseline U-Net）相比，本文提出的方法在多個(gè)中心中均表現(xiàn)出顯著優(yōu)勢(shì)。在不訪問源域數(shù)據(jù)的情況下，本方法僅需少量目標(biāo)域的注釋樣本即可達(dá)到與完全監(jiān)督訓(xùn)練相當(dāng)?shù)男阅?Upper bound)。圖B，與目前經(jīng)典的U-Net網(wǎng)絡(luò)直接泛化到多個(gè)勾畫者（Baseline U-Net）相比，本文提出的方法在多個(gè)勾畫者中均表現(xiàn)出顯著優(yōu)勢(shì)。

模型的可視化結(jié)果：模型在多個(gè)中心和多個(gè)勾畫者之間，均與真實(shí)勾畫高度一致，體現(xiàn)了模型的泛化性和魯棒性。

三、研究結(jié)論與意義

本研究提出的無源主動(dòng)學(xué)習(xí)方法實(shí)現(xiàn)了在多個(gè)中心和多個(gè)勾畫者之間的精準(zhǔn)分割，使深度學(xué)習(xí)算法能更加克服多中心數(shù)據(jù)的異質(zhì)性，同時(shí)也能更貼近勾畫者的風(fēng)格。該方法具有重要的臨床實(shí)用價(jià)值：（1）數(shù)據(jù)隱私保障，無需訪問源域數(shù)據(jù)；（2）資源節(jié)?。簻p少了數(shù)據(jù)傳輸?shù)膹?fù)雜性，節(jié)省了時(shí)間和資源；（3）高效知識(shí)遷移：促進(jìn)了模型在不同中心和不同勾畫者之間的知識(shí)遷移，提升了整體效率；（4）實(shí)踐可行性：僅需注釋少量代表樣本，減少了醫(yī)生標(biāo)注工作量。