医学图像分析中的因果迁移
计算机视觉与模式识别
2026-03-26 v1
摘要
医学图像模型在跨医院、扫描仪、人群或影像协议部署时常因域移导致性能下降，限制了临床可靠性。虽然迁移学习和域适应方法从统计角度处理此类偏移，但往往依赖于在变更条件下会破裂的伪相关。相反，因果推断提供了一种原则性方法，用于识别跨环境保持稳定的不变机制。本综述介绍并系统化了医学图像分析中的因果迁移学习（Causal Transfer Learning, CTL）范式。该范式将因果推断与跨域表征学习集成，以实现稳健且可泛化的临床 AI。我们将域移建模为因果问题，分析结构因果模型、不变风险最小化和反事实推理如何嵌入迁移学习管道。我们研究了分类、分割、重建、异常检测和多模态影像任务，并按任务、偏移类型和因果假设进行组织。提出统一的分类法，将因果框架与迁移机制相连。我们进一步总结数据集、基准测试和实证收益，突出显示在何时何地因果迁移优于基于相关性的域适应。最后，我们讨论了 CTL 如何支持多机构和联邦设置下的公平性、稳健性和可信部署，并概述了临床可靠医学影像 AI 的开放挑战和研究方向。
引用
@article{arxiv.2603.24388,
title = {Causal Transfer in Medical Image Analysis},
author = {Mohammed M. Abdelsamea and Daniel Tweneboah Anyimadu and Tasneem Selim and Saif Alzubi and Lei Zhang and Ahmed Karam Eldaly and Xujiong Ye},
journal= {arXiv preprint arXiv:2603.24388},
year = {2026}
}