CIV-DG: Conditional Instrumental Variables for Domain Generalization in Medical Imaging

医学 AI 中的跨站通用性因选择偏差而 fundamentally 受到破坏，这是一种结构性机制，患者人口学特征（如年龄、病情严重程度）非随机地决定医院分配。传统的域泛化（DG）范例主要针对图像层面的分布性偏移，无法解决由站点特定变异与诊断标签之间虚假相关性带来的问题。为克服这一可识别性障碍，我们提出 CIV-DG，一种基于条件工具变量的因果框架，用于分离病理语义与扫描器引起的制造痕迹。通过放宽标准 IV 方法中严格的随机分配假设，CIV-DG 适用于患者人口学特征在医院选择中内生驱动的复杂临床情景。我们通过 Deep Generalized Method of Moments（DeepGMM）架构实现了该理论，采用条件批评家以最小化矩违规并在人口学层次内强制工具-误差正交性。在 Camelyon17 基准和大规模胸部 X 光数据集上的广泛实验表明，CIV-DG 显著优于领先的基线方法，验证了条件因果机制在解决结构性混淆以实现稳健医学 AI 方面的有效性。