基于图像级解缝提示调优的自由形式测试时适应跨域医学图像分类

测试时适应（Test-Time Adaptation, TTA）因医学数据标注成本高昂，已成为适配未见医学站点数据的热门方案。现有TTA方法假设数据以完整域单元形式到达，但临床实践中常面临数据以任意长度片段、随机到达顺序的情形，这源于资源限制和患者差异。本文提出自由形式测试时适应（F$^2$TTA）任务，即在域碎片不规则到达、漂移不可预测的场景下适配源模型。为此，我们设计了图像级解缝提示调优（Image-level Disentangled Prompt Tuning, I-DiPT）框架。该框架引入不变于图像的提示以捕获域不变特征，缓解不可预测漂移；同时引入图像特定提示以适应每个测试图像。由于仅单张图像即可用，提示的知识表征可能不足。为此，我们首次提出不确定性导向遮蔽（Uncertainty-oriented Masking, UoM），通过基于源模型表示不确定性的遮蔽一致性学习，鼓励提示从输入图像中提取足够信息。随后，我们进一步提出平行图蒸馏（Parallel Graph Distillation, PGD）方法，通过平行图网络复用历史图像特定与图像不变提示的知识。在乳腺癌和青光眼分类实验中，我们的方法在F$^2$TTA任务上超越了现有TTA方法。代码已公开于 https://github.com/mar-cry/F2TTA。