💻 computer science

A Novel Open-Set Domain Adaptation Framework for Histopathology Image Classification: A Style-Aware and Density-Guided Approach

Questo articolo propone SADG, un nuovo framework di Open-Set Domain Adaptation per la classificazione di immagini istopatologiche che affronta efficacemente sia i cambiamenti di covarianza indotti dalla colorazione sia le categorie di tessuti sconosciute, integrando un modulo di rettifica dello stile per la normalizzazione dell'aspetto e una ClusterNet basata su GMM con la Teoria dei Valori Estremi per il rilevamento di campioni sconosciuti guidato dalla densità.

Autori originali: Reyhane Ghaffari, Mohammad Sadegh Helfroush, Kamran Kazemi, Abbas Khosravi

Pubblicato 2026-10-01

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Reyhane Ghaffari, Mohammad Sadegh Helfroush, Kamran Kazemi, Abbas Khosravi

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo della medicina moderna, lo strumento più critico di un patologo è spesso un microscopio. Essi esaminano sottili sezioni di tessuto, colorate con coloranti vivaci, per identificare malattie come il cancro. Oggi, anche i computer stanno imparando a svolgere questo lavoro, utilizzando l'intelligenza artificiale per scansionare queste immagini digitali e individuare anomalie. Tuttavia, questi programmi informatici affrontano una realtà ostinata: le immagini che vedono nel mondo reale raramente sono identiche a quelle su cui sono stati addestrati. Un vetrino preparato in un ospedale potrebbe essere colorato in modo leggermente diverso o scansionato con una macchina diversa rispetto a un vetrino proveniente da un altro ospedale, causando variazioni nei colori e nelle texture. Inoltre, un computer addestrato a riconoscere cinque tipi di tessuto potrebbe trovarsi improvvisamente di fronte a un sesto tipo che non ha mai visto prima. Se il software non è in grado di gestire questi cambiamenti o di riconoscere il nuovo tessuto sconosciuto, potrebbe commettere errori pericolosi, sia identificando erroneamente una malattia, sia non segnalando affatto un nuovo problema.

Ricercatori della Shiraz University of Technology e della Deakin University hanno sviluppato un nuovo approccio per aiutare questi sistemi informatici a navigare in questa realtà disordinata. Hanno creato un framework chiamato SADG, progettato specificamente per il complesso compito dell'adattamento di dominio open-set. In termini semplici, ciò significa insegnare a un computer ad adattarsi a nuovi stili visivi e, contemporaneamente, a imparare a individuare cose che non gli sono mai state insegnate a riconoscere. Il team ha testato il loro metodo su migliaia di immagini di tessuto colorettale, un sito comune per il cancro, utilizzando due grandi dataset pubblici che rappresentano diversi ospedali e condizioni di colorazione. Il loro obiettivo era costruire un sistema che potesse classificare accuratamente i tipi di tessuto noti anche quando i colori delle immagini cambiavano, pur identificando correttamente quando un pezzo di tessuto apparteneva a una categoria completamente assente dai loro dati di addestramento.

Il nucleo del loro successo risiede nel modo in cui gestiscono i due problemi principali affrontati dai computer: le differenze visive e le categorie sconosciute. In primo luogo, hanno affrontato le variazioni visive. Quando un campione di tessuto viene scansionato, le variazioni nell'illuminazione, nel contrasto o nei coloranti chimici utilizzati possono far apparire lo stesso tessuto in modo diverso. I ricercatori hanno integrato un modulo speciale nel loro sistema che agisce come un filtro. Esso elimina le differenze visive superficiali causate dal processo di scansione, preservando però con cura i dettagli strutturali profondi che sono realmente importanti per la diagnosi. Ciò consente al computer di concentrarsi sulla forma e sulla disposizione delle cellule piuttosto che confondersi per il colore della colorazione.

La seconda sfida, forse la più difficile, è gestire i tipi di tessuto sconosciuti. I metodi tradizionali spesso cercano di forzare ogni nuova immagine in una delle categorie note, o le raggruppano tutte in un unico, vago contenitore denominato "altro". I ricercatori hanno trovato questo approccio carente perché i tessuti sconosciuti non sono tutti uguali; essi possiedono le proprie strutture e pattern interni. Invece di forzarli in una singola scatola, il nuovo sistema mappa il panorama dei dati. Raggruppa le immagini in cluster basati sulla loro densità naturale, creando una mappa dettagliata di dove vivono i tessuti noti e dove esistono dei vuoti. Comprendendo questa mappa, il sistema può calcolare un punteggio per ogni nuova immagine. Se un'immagine cade in un'area densa di tessuto noto, viene classificata con fiducia. Se si posiziona in un'area rada o lontano da qualsiasi gruppo noto, il sistema la riconosce come qualcosa di nuovo.

Per prendere questa decisione senza fare affidamento su soglie arbitrarie, il team ha utilizzato una tecnica statistica che analizza i bordi estremi della distribuzione dei dati. Ciò consente al sistema di stimare la probabilità che un campione sia sconosciuto senza necessitare di una regola fissa che potrebbe fallire in situazioni diverse. Hanno anche introdotto un modo per insegnare al computer a essere umile nelle sue ipotesi. Quando il sistema è incerto, è incoraggiato ad ammettere l'incertezza invece di forzare una risposta errata. Al contrario, quando il sistema è sicuro di un tipo di tessuto noto, viene rinforzato per essere ancora più certo. Questo equilibrio impedisce al computer di etichettare con sicurezza un nuovo tessuto sconosciuto come se fosse uno familiare.

I risultati dei loro test sono stati sorprendenti. Quando hanno applicato il loro metodo ai dataset di tessuto colorettale, il sistema ha costantemente superato le tecniche esistenti allo stato dell'arte. In uno scenario specifico in cui il computer doveva adattarsi da un grande dataset a uno più piccolo con caratteristiche differenti, ha raggiunto un'accuratezza del 98,40% nell'identificare i tessuti noti. Ancora più importante, è stato eccezionalmente bravo a individuare gli sconosciuti, ottenendo un punteggio di rilevamento del 97,60% in un'altra configurazione di test. Questi numeri indicano che il sistema non solo ha imparato a ignorare le distrazioni visive, ma ha anche sviluppato un acuto senso di quando si trova di fronte a qualcosa di completamente nuovo.

I ricercatori hanno anche esplorato come le diverse parti del loro sistema abbiano contribuito a questo successo. Hanno scoperto che rimuovere il modulo che filtra le differenze visive causava un calo significativo delle prestazioni, dimostrando che gestire le variazioni di stile è essenziale. Allo stesso modo, quando hanno rimosso il meccanismo che mappa la densità dei dati, il sistema faticava a separare i noti dagli sconosciuti, confondendo spesso i due. Hanno scoperto che il numero di cluster utilizzati per mappare i dati era fondamentale; l'uso di troppi o troppo pochi gruppi rendeva il sistema meno efficace. Trovando il giusto equilibrio, si sono assicurati che il computer potesse vedere contemporaneamente la foresta e i singoli alberi.

Questo lavoro suggerisce che, affinché l'intelligenza artificiale sia veramente utile in contesti clinici, deve essere abbastanza robusta da gestire la variabilità naturale dei dati medici. Non può essere uno strumento rigido che funziona solo in condizioni perfette e controllate. Il framework SADG dimostra che, rispettando la struttura naturale dei dati e insegnando al computer a riconoscere i propri limiti, possiamo costruire sistemi che siano sia accurati che sicuri. I ricercatori osservano che, sebbene il loro metodo sia un passo avanti significativo, l'obiettivo finale è creare modelli che possano adattarsi ancora più velocemente a nuovi domini con una supervisione minima. Le loro scoperte offrono una strada promettente verso un'IA in grado di assistere i patologi nel mondo reale, dove ogni vetrino è unico e l'imprevisto è sempre possibile.

Sintesi Tecnica: Un Nuovo Framework di Open-Set Domain Adaptation per la Classificazione di Immagini Istopatologiche

Definizione del Problema
Nella patologia computazionale, i modelli di deep learning impiegati per la classificazione di immagini istopatologiche affrontano due sfide critiche durante la transizione da un dominio sorgente etichettato a un dominio target non etichettato: lo shift covariante (covariate shift) e lo shift semantico (semantic shift). Lo shift covariante deriva dalle variazioni nei protocolli di colorazione, nei dispositivi di scansione e nelle condizioni di imaging, che portano a discrepanze nell'aspetto. Lo shift semantico si verifica quando il dominio target contiene categorie tissutali (classi sconosciute) assenti nella distribuzione di addestramento della sorgente. Questo scenario è formalizzato come Open-Set Domain Adaptation (OSDA).

I metodi OSDA esistenti spesso falliscono nella patologia istologica per due ragioni primarie:

Oversimplificazione degli Sconosciuti: Molti approcci collassano tutti i campioni sconosciuti in un'unica categoria, ignorando la diversità strutturale e semantica intrinseca dei tessuti sconosciuti. Ciò può portare a un trasferimento negativo (negative transfer) in cui i campioni sconosciuti che somigliano alle classi note degradano le prestazioni di adattamento.
Inappropriata Invarianza dello Stile: I metodi sviluppati per le immagini naturali spesso impongono una forte invarianza dello stile. Tuttavia, nella patologia istologica, le caratteristiche legate all'aspetto (ad esempio, specifici pattern di colorazione) possono contenere informazioni diagnostiche rilevanti che dovrebbero essere preservate piuttosto che completamente rimosse.

Metodologia: Il Framework SADG
Gli autori propongono SADG (Style-Aware and Density-Guided), un framework unificato progettato per affrontare congiuntamente gli shift covarianti e semantici. L'architettura consiste in due reti primarie: Co-Net (per la classificazione) e ClusterNet (per la modellazione della densità), integrate con un Modulo di Rettifica dello Stile (SRM).

Modulo di Rettifica dello Stile (SRM):
Per mitigare lo shift covariante senza scartare informazioni di stile diagnosticamente rilevanti, l'SRM viene inserito negli strati iniziali e intermedi del backbone (ResNet-50). Esso impiega la Normalizzazione di Istanza (IN) per sopprimere le variazioni specifiche dell'aspetto, seguita da un meccanismo di attenzione sui canali che decompone le feature residue in componenti rilevanti per il task ( $R^+$ ) e irrilevanti per il task ( $R^-$ ). Questi vengono ricombinati per recuperare l'informazione semantica soppressa dalla normalizzazione, effettuando efficacemente la disgiunzione tra stile e semantica.
Clustering Guidato dalla Densità (ClusterNet):
A differenza dei metodi che trattano gli sconosciuti come un gruppo monolitico, SADG modella la struttura di densità intrinseca del dominio target utilizzando un Modello di Miscela Gaussiana (GMM).
- ClusterNet partiziona le feature del target in $K$ cluster utilizzando assegnazioni "soft" in modo completamente differenziabile.
- Prototipi Condizionati alla Classe: Per le classi note condivise, il framework costruisce prototipi ( $\mu_c$ ) e matrici di covarianza ( $\Sigma_c$ ) aggregando le feature del target pesate per la confidenza del classificatore. Ciò assicura che i prototipi riflettano la reale distribuzione delle classi note all'interno del dominio target.
Punteggio GEM e Calibrazione EVT:
Per rilevare i campioni sconosciuti senza soglie fisse, SADG introduce un punteggio di Misura dell'Energia basata sulla Miscela Gaussiana (GEM). Questo punteggio valuta la log-verosimiglianza di un campione target rispetto ai prototipi delle classi note.
- Teoria dei Valori Estremi (EVT): La distribuzione della coda dei punteggi GEM è modellata utilizzando il metodo Peaks-Over-Threshold (POT). Ciò consente al sistema di stimare dinamicamente la probabilità che un campione appartenga a una classe sconosciuta ( $\tau_t$ ), evitando la rigidità dei confini decisionali definiti manualmente.
Strategia di Addestramento Adattiva:
Il framework impiega una funzione di perdita multi-obiettivo per guidare l'adattamento:
- Allineamento Guidato dalla Densità ( $L_{align}$ ): Allinea l'output del classificatore con la distribuzione a posteriori indotta dalla densità derivata dal GMM, garantendo che il classificatore rispetti la struttura latente dei cluster.
- Apprendimento di Cluster Omogenei ( $L_{entH}$ ): Identifica cluster semantici omogenei affidabili (basati sulla dimensione del cluster e sull'affinità di classe) per rinforzare la confidenza sulle classi note.
- Separazione degli Sconosciuti ( $L_{entU}$ ): Applica la massimizzazione dell'entropia ai campioni pseudo-sconosciuti (identificati tramite un alto $\tau_t$ ) per evitare che collassino nelle regioni delle classi note.

Contributi Chiave

Framework Unificato: SADG è il primo framework che gestisce congiuntamente gli shift covarianti e semantici nella classificazione di immagini istopatologiche sotto l'impostazione OSDA.
Modellazione degli Sconosciuti Consapevole della Densità: Utilizzando un ClusterNet basato su GMM, il metodo modella esplicitamente la struttura di densità intrinseca del dominio target, evitando il collasso di diversi campioni sconosciuti in un'unica categoria.
Rilevamento Senza Soglia: L'integrazione dei punteggi GEM calibrati tramite EVT fornisce un meccanismo robusto e privo di soglie per stimare le probabilità delle classi sconosciute.
Preservazione dello Stile: L'SRM sopprime efficacemente le discrepanze indotte dall'aspetto mantenendo al contempo le informazioni di stile diagnosticamente rilevanti, affrontando un limite dei metodi OSDA basati su immagini naturali.

Risultati Sperimentali
Il framework è stato valutato su due dataset di istopatologia del colon-retto: Kather-16 (5.000 immagini, 8 classi) e Kather-19 (100.000 immagini, 9 classi). Gli esperimenti hanno coperto tre configurazioni open-set con proporzioni variabili di campioni sconosciuti (da circa il 7% al 75%).

Prestazioni: SADG ha superato costantemente i metodi OSDA allo stato dell'arte (es. OSBP, STA, UADAL, ANNA) e i metodi di Open-Set Recognition (OSR) (es. GHOST, OpenMax).
- Ha raggiunto un ACC (Accuratezza Closed-Set) medio del 91,28% e un AUC medio del 90,27% in tutti i task.
- Nello scenario Kather-19 $\to$ Kather-16 Split 2, SADG ha raggiunto il 98,40% di ACC, superando significativamente il secondo miglior metodo.
Studi di Ablazione:
- La rimozione dell'SRM ha causato cali significativi sia in ACC che in AUC, confermando la sua necessità per gestire le variazioni di colorazione.
- La rimozione dell'allineamento guidato dalla densità ( $L_{align}$ ) o della massimizzazione dell'entropia per gli sconosciuti ( $L_{entU}$ ) ha portato a un grave degrado delle prestazioni, evidenziando l'importanza di preservare la struttura di densità del target e prevenire il collasso degli sconosciuti.
- La stima dei prototipi "soft" (utilizzando i pesi di confidenza del classificatore) si è dimostrata più robusta rispetto alle assegnazioni "hard", particolarmente all'aumentare del rapporto di campioni sconosciuti.
Efficienza: Sebbene SADG comporti una maggiore complessità computazionale rispetto ad alcuni baseline a causa dell'addestramento dei due network e del fitting del GMM, dimostra un compromesso favorevole, raggiungendo le metriche di prestazione più elevate con un overhead limitato.

Significatività e Rivendicazioni
Il paper sostiene che SADG fornisca una soluzione robusta per l'impiego clinico nel mondo reale, dove le distribuzioni dei dati cambiano e le categorie tissutali sconosciute sono inevitabili. Andando oltre l'assunto di una "singola categoria di sconosciuti" e preservando le caratteristiche di stile diagnosticamente rilevanti, SADG offre un approccio più affidabile per la classificazione istopatologica open-set. Gli autori posizionano il loro lavoro come un passo verso la riduzione della dipendenza da un'estesa annotazione manuale negli ambienti clinici, consentendo ai modelli di adattarsi a nuovi centri e tipi di tessuti non visti con una supervisione minima. Il lavoro futuro suggerisce di esplorare strategie di meta-learning per un adattamento ancora più rapido a nuovi domini.

Sintesi Tecnica: Un Nuovo Framework di Open-Set Domain Adaptation per la Classificazione di Immagini Istopatologiche

Articoli simili