[论文解读] Subtype-aware Unsupervised Domain Adaptation for Medical Diagnosis

Xiaofeng Liu, Xiongchang Liu+8 more|arXiv (Cornell University)|Jan 1, 2021

Domain Adaptation and Few-Shot Learning被引用 8

一句话总结

本文提出一种亚型感知的无监督域自适应（UDA）方法，通过自适应伪标签化实现跨域亚型内紧凑性和类别间分离性，从而提升医学诊断性能。该方法结合基于可靠性路径的子图或k-means的在线聚类，实现了在多视角先天性心脏病诊断任务上的最先进性能，准确率最高提升1.2%，AUC最高提升0.009。

ABSTRACT

Recent advances in unsupervised domain adaptation (UDA) show that transferable prototypical learning presents a powerful means for class conditional alignment, which encourages the closeness of cross-domain class centroids. However, the cross-domain inner-class compactness and the underlying fine-grained subtype structure remained largely underexplored. In this work, we propose to adaptively carry out the fine-grained subtype-aware alignment by explicitly enforcing the class-wise separation and subtype-wise compactness with intermediate pseudo labels. Our key insight is that the unlabeled subtypes of a class can be divergent to one another with different conditional and label shifts, while inheriting the local proximity within a subtype. The cases of with or without the prior information on subtype numbers are investigated to discover the underlying subtype structure in an online fashion. The proposed subtype-aware dynamic UDA achieves promising results on medical diagnosis tasks.

研究动机与目标

• 解决现有无监督域自适应（UDA）方法在医学影像中未能考虑细粒度亚型级条件与标签偏移的问题。
• 通过显式强制实现亚型内特征紧凑性与类别间分离性，无需亚型标注，提升目标域分类性能。
• 开发一种可扩展的在线聚类框架，利用基于可靠性路径的子图方案，以最少的超参数适应未知的亚型数量。
• 在真实世界医学诊断任务中，验证亚型感知紧凑性在降低域差异与提升泛化能力方面的有效性。

提出的方法

• 提出一种动态UDA框架，利用中间伪标签引导特征空间中的类别间分离与亚型内紧凑性。
• 在已知亚型数量时，应用简洁的k-means聚类以形成亚型中心，并通过对比损失强制实现亚型内紧凑性。
• 在未知亚型数量时，提出一种基于可靠性路径的子图方案，通过少量元超参数自适应捕捉局部亚型结构。
• 集成维度压缩头以提升聚类效率与性能，避免对噪声或异常样本过拟合。
• 采用温度控制的阈值进行半硬负样本挖掘，动态选择具有信息量的负样本用于训练。
• 将该方法与多视角处理网络结合，以增强先天性心脏病诊断中的特征表示学习。

实验结果

研究问题

• RQ1 当存在亚型级标签与条件偏移时，显式亚型感知紧凑性是否能提升医学图像诊断中的无监督域自适应性能？
• RQ2 在已知与未知亚型数量的前提下，亚型感知UDA的性能表现有何差异？
• RQ3 基于可靠性路径的子图方案是否能无需依赖k-means，在在线且可扩展的方式下有效发现潜在亚型结构？
• RQ4 与传统的类别级对齐相比，强制实现亚型内紧凑性在多大程度上降低了域差异？
• RQ5 所提出方法对超参数（如亚型数量Kn或可靠性路径大小m）的敏感性如何？

主要发现

• 所提出的SubUDA方法在多视角先天性心脏病诊断任务中达到96.2%的准确率与0.911的AUC，相比最先进方法最高提升1.2%的准确率与0.009的AUC。
• SubUDA-DR（带维度压缩头）的性能优于不带该模块的SubUDA-DR，表明特征空间正则化的关键作用。
• 基于可靠性路径的子图方案（SubUDA-SG，m=8）在性能上与k-means（Kₙ=4）相当，表明其对超参数调优具有鲁棒性。
• 该方法对半硬负样本挖掘阈值τ在广泛范围内均表现出不敏感性，表明其学习动态稳定。
• 最优聚类一致性度量（来自一致性聚类）与峰值准确率一致，验证了稳定亚型发现可提升模型性能。
• 当亚型数量设为1（即退化为类别级紧凑性）时，性能显著下降，证实了细粒度亚型建模的优势。