Domain-incremental White Blood Cell Classification with Privacy-aware Continual Learning

要約

白血球（WBC）分類は、さまざまな病状を診断するために血液学において重要な役割を果たしています。
ただし、サンプルソース（血液または骨髄など）の変動と病院全体の異なる画像条件によって引き起こされるドメインシフトにより、大きな課題に直面しています。
従来の深い学習モデルは、このような動的な環境で壊滅的な忘却に苦しむことがよくありますが、基礎モデルは、一般的に堅牢ですが、推論データの分布がトレーニングデータの分布とは異なる場合にパフォーマンスの劣化を経験します。
これらの課題に対処するために、WBC分類のための基礎モデルの忘却を防ぐために設計された生成リプレイベースの継続学習（CL）戦略を提案します。
私たちの方法では、軽量ジェネレーターを採用して、過去のデータを合成潜在表現で模倣して、プライバシーを提供するリプレイを可能にします。
有効性を紹介するために、さまざまなタスク順序を持つ合計4つのデータセットと、RESNET50、RETCCL、Ctranspath、およびUNIを含む4つのバックボーンモデルで広範な実験を実行します。
実験結果は、従来の微調整方法が以前に学んだタスクでパフォーマンスを低下させ、ドメインシフトとの闘いを示しています。
対照的に、私たちの継続的な学習戦略は、壊滅的な忘却を効果的に緩和し、さまざまなドメイン全体でモデルのパフォーマンスを維持します。
この作業は、データ分布が頻繁に進化する実際の臨床設定で信頼できるWBC分類を維持するための実用的なソリューションを提示します。

要約(オリジナル)

White blood cell (WBC) classification plays a vital role in hematology for diagnosing various medical conditions. However, it faces significant challenges due to domain shifts caused by variations in sample sources (e.g., blood or bone marrow) and differing imaging conditions across hospitals. Traditional deep learning models often suffer from catastrophic forgetting in such dynamic environments, while foundation models, though generally robust, experience performance degradation when the distribution of inference data differs from that of the training data. To address these challenges, we propose a generative replay-based Continual Learning (CL) strategy designed to prevent forgetting in foundation models for WBC classification. Our method employs lightweight generators to mimic past data with a synthetic latent representation to enable privacy-preserving replay. To showcase the effectiveness, we carry out extensive experiments with a total of four datasets with different task ordering and four backbone models including ResNet50, RetCCL, CTransPath, and UNI. Experimental results demonstrate that conventional fine-tuning methods degrade performance on previously learned tasks and struggle with domain shifts. In contrast, our continual learning strategy effectively mitigates catastrophic forgetting, preserving model performance across varying domains. This work presents a practical solution for maintaining reliable WBC classification in real-world clinical settings, where data distributions frequently evolve.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google