HyDA：用于医学影像分析测试时域适应的超网络

医学影像数据集由于采集协议、患者人口统计特征和成像设备的差异而往往存在变化。这些数据分布的差异，即域偏移（domain shift），在将影像分析模型适配到实际医疗应用时构成了重大挑战。大多数当前的域适应（DA）方法旨在对齐源域和目标域之间的分布，或学习一个能在所有域上良好泛化的不变特征空间。然而，这两种策略都需要在训练期间访问目标域的足够数量的样本（不一定需要标注）。这一限制阻碍了模型在临床环境中的广泛部署，因为目标域数据可能仅在运行时才能获取。在本工作中，我们提出了HyDA，一种新型超网络框架，它利用而非抑制域特征，从而在推理时实现动态适应。具体而言，HyDA学习隐式域表示，并利用它们实时调整模型参数，有效地插值到未见域。我们在两个临床相关应用——MRI脑年龄预测和胸部X光病理分类——上验证了HyDA，展示了其在任务和模态上的泛化能力。我们的代码将在TBD处发布。