知识卡片：乳腺X线摄影中跨站点数据集的钙化分类无监督域适应

英文标题：Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets
英文关键词：Unsupervised Domain Adaptation; Calcification Classification; Mammography; Multi-Site Datasets; Style Transfer; Swin Transformer V2

一句话结论

通过结合无监督域适应（风格迁移模型 AdaIN 和 CycleGAN）与 Swin Transformer V2 分类器，该框架在跨站点乳腺X线数据集上有效提升了钙化良恶性分类性能，将外部验证集的 AUC 分别从 0.68 提升至 0.72（EMBED）和 0.73（Duke Calcification Dataset）。

事件概述

深度学习计算机辅助诊断系统在乳腺X线摄影分类任务中表现出色，但多站点数据集之间的域偏移（domain shifts）仍是模型泛化的主要挑战。本研究提出一种钙化分类框架，旨在改善跨站点乳腺X线数据集中恶性与良性乳腺疾病的分类。

方法/产品要点

• 框架组成：
  1. 无监督域适应模块：基于风格迁移模型 AdaIN 和 CycleGAN，无需额外标注即可生成特定厂商和特定技术（如全视野数字乳腺X线摄影 FFDM 及数字乳腺断层合成衍生的合成2D图像）的训练样本。
  2. 监督分类模块：以 Swin Transformer V2 作为骨干网络。
• 数据集：
  • 内部交叉验证：OPTIMAM（英国国家卫生服务体系，n=2994）
  • 外部验证：EMBED（埃默里大学，n=125）和 Duke Calcification Dataset v1（n=788）
  • 涵盖多个厂商设备，包括 FFDM 和合成2D图像。

主要结果或产业意义

• 外部验证性能提升：
  • EMBED：AUC 从 0.68 提升至 0.72
  • Duke Calcification Dataset：AUC 从 0.68 提升至 0.73
• 结论：域适应可减少域偏移，改善跨站点数据集上钙化分类的泛化能力。

为什么重要

该研究展示了无监督域适应技术在解决真实临床多站点数据异质性（设备厂商、成像技术差异）方面的潜力，为乳腺X线钙化分类模型的跨中心部署提供了可行路径。

局限与不确定性

• 待核实：材料未提及模型在更大规模或更多站点数据上的表现。
• 待核实：未讨论风格迁移可能引入的伪影或对极端病例的影响。
• 待核实：AUC 绝对值（0.72–0.73）仍需进一步提升以达到临床可接受阈值。

可用于图书/PPT/简报的角度

• 介绍深度学习在医学影像中面临的数据域偏移挑战及解决策略。
• 以乳腺钙化分类为例，说明无监督域适应如何利用生成模型提升模型泛化性。
• 比较传统监督学习与引入域适应后的性能增益（AUC 提升约 4–5 个百分点）。

原始材料

• 论文标题：Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets
• arXiv ID：2607.06549v1
• 发布日期：2026-07-07
• 主分类：cs.CV
• URL：https://arxiv.org/abs/2607.06549v1
• PDF 链接：https://arxiv.org/pdf/2607.06549v1