基于自监督学习的特征级跨医院胸部X光迁移中的站点泄漏减少
图像与视频处理
2026-04-02 v1 计算机视觉与模式识别
摘要
胸部X光模型跨医院失败通常归因于领域偏移，但大多数工作假设不变性而未对其进行测量。本文研究了如何直接测量站点泄漏以及该测量如何改变对迁移方法的结论。我们研究了多站点自监督学习（SSL）和特征级对抗性站点混淆用于跨医院迁移。我们在NIH和CheXpert上预训练了一个ResNet-18（无病理标签）。然后冻结编码器，在NIH上训练一个线性肺炎分类器，并在RSNA上评估迁移。我们使用一个后验线性探针来量化站点泄漏，该探针从冻结的主干特征和投影特征预测采集站点。在3个随机种子下，多站点SSL将RSNA AUC从0.6736±0.0148（ImageNet初始化）提升至0.7804±0.0197。在上添加对抗性站点混淆减少了测量到的泄漏，但不能可靠地提升AUC并增加了方差。在上，站点探针准确率从0.9890±0.0021（仅SSL）降至0.8504±0.0051（CanonicalF），随机水平为0.50。在上，探针准确率从0.8912±0.0092降至0.7810±0.0250。这些结果表明，测量泄漏会改变如何解读迁移方法：多站点SSL驱动迁移，而对抗性混淆揭示了不变性假设的局限性。
引用
@article{arxiv.2604.00263,
title = {Feature-level Site Leakage Reduction for Cross-Hospital Chest X-ray Transfer via Self-Supervised Learning},
author = {Ayoub Louaye Bouaziz and Lokmane Chebouba},
journal= {arXiv preprint arXiv:2604.00263},
year = {2026}
}
备注
Accepted at The 7th International Conference on Computing Systems and Applications [Algiers,2026]