应对医学图像分析中的分布偏移：综述

医学图像分析（MedIA）已成为现代医学不可或缺的组成部分，增强了临床诊断和个性化治疗。尽管深度学习（DL）技术取得了显著进展，但其实际部署面临分布偏移带来的挑战，即在特定数据集上训练的模型在来自不同医院或患者群体的其他数据集上表现不佳。为解决这一问题，研究人员积极开发策略以提高DL模型的适应性，使其能够在不熟悉的环境中有效使用。本文系统综述了将DL技术应用于受分布偏移影响的MedIA系统的方法。我们并非按技术特征组织现有方法，而是明确连接现实世界临床约束——如有限的数据可访问性、严格的隐私要求和异构协作协议——与能够解决这些问题的技术范式。通过建立操作约束与方法演进之间的联系，我们将现有工作分为联合训练、联邦学习、微调和领域泛化，每种范式与特定医疗场景相对应。除该分类法外，我们的实证分析表明，随着领域信息在这些范式中逐步变得难以获取，性能提升受到日益严重的制约，并进一步揭示了方法关注点从显式分布对齐向不确定性感知建模的逐步转变，最终指向在真实世界MedIA中需要更多面向部署可行性的设计。