HypCBC：面向通用医学图像分析的域不变性超bolic 跨分支一致性

深度神经网络在训练分布之外的鲁棒泛化仍是关键挑战。这在医学图像分析中尤为突出，因数据稀缺且来自不同硬件设备、影像协议和异构患者群体的协变量迁移常见。这些因素共同阻碍了可靠性能力并延缓了临床采用。尽管近期进展，但现有学习范式主要依赖欧几里得流形，其平坦几何无法捕捉临床数据中存在的复杂、层次结构。本文利用双曲流形的优势来建模复杂数据特征。我们首次对医学图像分析中的双曲表示学习进行全面验证，证明在十一个分布内数据集和三个 ViT 模型上均取得统计显著的提升。我们进一步提出一种无监督、域不变的双曲跨分支一致性约束。大量实验确认，我们的方法促进了域不变特征，并在三个域泛化基准（Fitzpatrick17k、Camelyon17-WILDS 和针对视网膜成像的跨数据集设置）上平均以约 $+2.1\%$ 的 AUC 优势超越最先进的欧几里得方法。这些数据集涵盖不同的影像模态、数据规模和标签粒度，验证了其在显著不同条件下的泛化能力。代码已公开于 https://github.com/francescodisalvo05/hyperbolic-cross-branch-consistency。