近日，四川省肿瘤医院放射肿瘤学四川省重点实验室张石川教授/廖文军团队同电子科技大学王国泰教授/罗祥德团队在放射肿瘤学领域权威期刊《International Journal of Radiation Oncology, Biology, Physics》（中科院1区）上发表了题为“Generalizable MRI-based Nasopharyngeal Carcinoma Delineation: Bridging Gaps across Multiple Centers and Raters with Active Learning”的文章（我院作为第一通讯单位）。该研究设计了一种新颖的无源主动学习域适应方法（source-free active learning adaptation method），以促进深度学习在鼻咽癌GTV分割任务中的跨单位和跨勾画者风格的域适应。
一、研究背景
精准、高效的鼻咽癌原发灶（GTV）勾画在鼻咽癌的放射治疗中至关重要。尽管目前的深度学习方法在GTV的自动勾画方面取得了有希望的结果，但它们仍然受到临床上跨中心数据域偏倚的影响；同时不同医生的勾画风格也会影响模型在临床实践中的应用和部署。为了让模型能够更好的实现不同中心异质性MRI数据的精准勾画，同时也能适应不同勾画者的风格，本研究提出了一种无源域的主动学习方法。
网络框架图：选择域不变和域特定的代表样本进行注释和模型微调，而不依赖源域数据。这不仅确保了数据隐私，还减少了医生的工作量，仅需注释少量目标域的代表样本。
二、研究结果
结果表明：图A，与目前经典的U-Net网络直接泛化到多中心（Baseline U-Net）相比，本文提出的方法在多个中心中均表现出显著优势。在不访问源域数据的情况下，本方法仅需少量目标域的注释样本即可达到与完全监督训练相当的性能(Upper bound)。图B，与目前经典的U-Net网络直接泛化到多个勾画者（Baseline U-Net）相比，本文提出的方法在多个勾画者中均表现出显著优势。
模型的可视化结果：模型在多个中心和多个勾画者之间，均与真实勾画高度一致，体现了模型的泛化性和鲁棒性。
三、研究结论与意义
本研究提出的无源主动学习方法实现了在多个中心和多个勾画者之间的精准分割，使深度学习算法能更加克服多中心数据的异质性，同时也能更贴近勾画者的风格。该方法具有重要的临床实用价值：（1）数据隐私保障，无需访问源域数据；（2）资源节省：减少了数据传输的复杂性，节省了时间和资源；（3）高效知识迁移：促进了模型在不同中心和不同勾画者之间的知识迁移，提升了整体效率；（4）实践可行性：仅需注释少量代表样本，减少了医生标注工作量。