在医学影像AI辅助诊断系统的实验中，我们把注意力放在一个常见却容易被忽略的环节：模型在单中心数据上表现良好，换一家医院后性能明显下滑。本期进展围绕「跨院域偏移下的低标注适配」展开。
实验以肺部CT病灶分割为任务，源域为公开数据集，目标域为两家合作医院的脱敏数据，对比三条路线：直接推理、仅做灰度归一化的推理、以及域对齐叠加少量标注微调的方案。
阶段结果：
- 未做适配时，目标域Dice为0.71，漏检集中在直径小于6mm的小病灶；
- 采用图像风格归一化加特征层对比对齐，并以每院约5例标注做微调后，Dice提升至0.83，小病灶召回提升约9个百分点，单例推理耗时增加不足15ms。
需要说明的是，当前目标域样本量仍偏小，跨院结果存在波动，尚不构成临床结论。
下一步计划：一是引入放射报告文本作为弱监督信号，用图文对齐约束病灶区域，降低对像素级标注的依赖；二是扩大目标域中心数量并做前瞻性回测，同步归档不同扫描协议下的失败案例，为后续阈值与后处理策略提供依据。
评论