我为何坚信 TTA 不更好：测试时增强在医学图像分类中的负面影响

测试时增强（TTA）——通过聚合多个增强副本的预测结果以提高分类准确率——被广泛认为在医学影像中效果显著，尤其在生产系统和竞赛解决方案中被常规采用。我们进行了一项系统实证研究，挑战了这一假设，基于 MedMNIST v2 三个基准数据集和四种覆盖参数规模三个数量级（21K 至 11M）的模型。我们的主要发现是，标准增强流程下的 TTA 在单次推理时始终会导致准确率下降，以 ResNet-18 在病理图像上最严重的下降达 31.6 个百分点为例。这一降级影响所有模型架构，包括卷积模型，且随增强视图数量的增加而恶化。唯一例外是 ResNet-18 在皮肤学图像上的情况，仅获 modest +1.6% 的提升。我们识别出增强输入与训练时输入之间分布迁移——由批量归一化统计量不匹配放大——为主要机制。我们的消融研究表明，增强策略至关重要：仅强度增强保留的性能优于几何变换，包含原始未增强图像可部分缓解但无法消除准确率下降。这些发现为实践者提供了警示：TTA 不应作为默认的事后改进措施，但必须在具体的模型-数据集组合上进行验证。