近日，四川省腫瘤醫院放射腫瘤學四川省重點實驗室張石川教授/廖文軍團隊同電子科技大學王國泰教授/羅祥德團隊在放射腫瘤學領域權威期刊《International Journal of Radiation Oncology, Biology, Physics》（中科院1區）上發表了題為“Generalizable MRI-based Nasopharyngeal Carcinoma Delineation: Bridging Gaps across Multiple Centers and Raters with Active Learning”的文章（我院作為第一通訊單位）。該研究設計了一種新穎的無源主動學習域適應方法（source-free active learning adaptation method），以促進深度學習在鼻咽癌GTV分割任務中的跨單位和跨勾畫者風格的域適應。

一、研究背景

精準、高效的鼻咽癌原發灶（GTV）勾畫在鼻咽癌的放射治療中至關重要。盡管目前的深度學習方法在GTV的自動勾畫方面取得了有希望的結果，但它們仍然受到臨床上跨中心數據域偏倚的影響；同時不同醫生的勾畫風格也會影響模型在臨床實踐中的應用和部署。為了讓模型能夠更好的實現不同中心異質性MRI數據的精準勾畫，同時也能適應不同勾畫者的風格，本研究提出了一種無源域的主動學習方法。

網絡框架圖：選擇域不變和域特定的代表樣本進行注釋和模型微調，而不依賴源域數據。這不僅確保了數據隱私，還減少了醫生的工作量，僅需注釋少量目標域的代表樣本。

二、研究結果

結果表明：圖A，與目前經典的U-Net網絡直接泛化到多中心（Baseline U-Net）相比，本文提出的方法在多個中心中均表現出顯著優勢。在不訪問源域數據的情況下，本方法僅需少量目標域的注釋樣本即可達到與完全監督訓練相當的性能(Upper bound)。圖B，與目前經典的U-Net網絡直接泛化到多個勾畫者（Baseline U-Net）相比，本文提出的方法在多個勾畫者中均表現出顯著優勢。

模型的可視化結果：模型在多個中心和多個勾畫者之間，均與真實勾畫高度一致，體現了模型的泛化性和魯棒性。

三、研究結論與意義

本研究提出的無源主動學習方法實現了在多個中心和多個勾畫者之間的精準分割，使深度學習算法能更加克服多中心數據的異質性，同時也能更貼近勾畫者的風格。該方法具有重要的臨床實用價值：（1）數據隱私保障，無需訪問源域數據；（2）資源節?。簻p少了數據傳輸的復雜性，節省了時間和資源；（3）高效知識遷移：促進了模型在不同中心和不同勾畫者之間的知識遷移，提升了整體效率；（4）實踐可行性：僅需注釋少量代表樣本，減少了醫生標注工作量。