arXiv cs.AI· Yiheng Xiong, Luisa Gall\'ee, Daniel Santak Wolf, Heiko Hillenhagen, Michael G\"otz·· 14 小时前AI 评分29
医学影像无监督域适应距临床部署还有多远？完整 UDA 流水线评估
How Far from Clinical Deployment? Evaluating the Complete Unsupervised Domain Adaptation Pipeline in Medical Imaging
AI 导读
一项覆盖 9 个医学影像数据集、11 个跨域场景、10 种 UDA 算法与 13 种无标签选择方法的研究，共评估超 80,000 个训练模型，发现通常存在可用的适配模型，但在无目标标签时难以识别。验证器选出的模型与最优模型之间存在较大且结构性的目标域性能差距，且没有一种验证器始终可靠。集成与小规模目标标注预算两种策略能缩小但无法完全消除该差距，研究认为选择环节是推动 UDA 走向临床的关键。
正文 · AI 翻译
摘要：在临床实践中部署无监督域适应（UDA）需要选择使用哪种算法以及交付其哪个已训练模型。然而，部署（目标）域是无标签的，因此无法直接在其上评估模型，导致不清楚应选择哪一个。我们通过评估完整的 UDA 流程来应对这一问题，同时考虑适应和无标签选择。我们的研究涵盖来自九个医学影像数据集的十一个临床相关跨域场景，涉及十种 UDA 算法和 13 种无标签选择方法（验证器），总共评估了超过 80,000 个已训练模型。由此我们发现，通常存在一个能力足够的适应后模型，但在没有目标标签的情况下识别它很困难：验证器选出的模型与最佳可用模型之间存在很大且结构性的目标性能差距，且没有评估过的验证器能始终可靠。为缩小这一差距，我们探索了两种策略：集成和小规模目标标注预算；两者都能缩小差距，但无法完全消除。总体而言，可部署的 UDA 取决于完整流程；解决较少被探索的选择步骤可能使当前 UDA 的大部分更接近临床使用。
| 评论： | 被 WACV 2027 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.12035 [cs.CV] |
| （或此版本的 arXiv:2608.12035v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2608.12035 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yiheng Xiong [查看电子邮件]
[v1]
2026年8月12日星期三 13:19:14 UTC（366 KB）
[v2]
2026年10月25日星期日 14:50:25 UTC（374 KB）
来源：arXiv cs.AI · arxiv.org