Глубокие нейросети, обученные распознавать плоскоклеточный рак полости рта (OSCC) на гистологических изображениях, хорошо работают на тестовых данных из тех же коллекций. Однако недавнее исследование показало, что такая сеть практически полностью теряет дискриминативную способность при переносе на ткань лимфатических узлов. Авторы проверили, может ли дообучение энкодера или адаптация без разметки изменить эту ситуацию, и сколько размеченных патчей из целевого домена необходимо для восстановления производительности.

Исходный домен включал 23 290 изображений слизистой оболочки полости рта и ротоглотки из трёх публичных коллекций. Целевым доменом стал PatchCamelyon — публичный набор данных патчей сторожевых лимфоузлов пациентов с раком молочной железы; метастазы представляют собой карциному молочной железы, поэтому перенос пересекает как тип ткани, так и гистологию опухоли. Использовались 40 000 целевых патчей из 216 стёкол, разделённые на непересекающиеся по стёклам пулы адаптации и оценки.

Сравнивались девять энкодеров в десяти конфигурациях, включая три pathology foundation models: Phikon, Phikon-v2 и недавно представленную модель Midnight. Оценивались прямой перенос с замороженными и дообученными энкодерами, адаптация без разметки и few-shot адаптация, при которой прототипы классов вычисляются из k размеченных целевых патчей с использованием замороженного энкодера. Все результаты приведены на уровне патчей.

Прямой перенос провалился для всех конфигураций (внешний AUROC 0.35–0.64), включая дообученные сети (среднее по трём seed 0.44–0.52) и дообученный Phikon (0.54–0.58). Методы без разметки не закрыли разрыв; zero-shot vision–language модель достигла 0.77.

С замороженным энкодером Phikon прототипы из 10 и 50 размеченных патчей на класс достигли 0.869 ± 0.056 и 0.930 ± 0.015 соответственно, по сравнению с 0.82–0.86 при 50 патчах для энкодеров без предобучения на гистологии и 0.977 для классификатора, обученного на 20 000 размеченных патчей. Логистическая регрессия на тех же патчах работала аналогично при одном и двух патчах на класс и лучше начиная с пяти (0.955 при 50). Midnight достиг 0.922 с прототипами при 50 патчах на класс, что сопоставимо с Phikon. Результаты были схожими, когда опорные и оценочные патчи происходили из разных центров сканирования.

Для оценённых методов и наборов данных ни один классификатор, обученный на ткани полости рта, не перенёсся на эту кросс-тканевую, кросс-опухолевую цель. Анализы авторов предполагают, что изменение содержания классов имело большее значение, чем окрашивание или масштаб, но они не разделяют причинный вклад типа ткани, гистологии опухоли и условий получения изображений.

Замороженные pathology foundation models обеспечили экономичную по разметке классификацию в целевом домене; это заменяет классификатор, обученный на оральной ткани, и не использует изображения полости рта. Результаты касаются классификации метастазов рака молочной железы на уровне патчей и не устанавливают клиническую производительность для метастазов OSCC в лимфоузлах.